cnn和rnn的區別
在圖像識別領域，應用的最多的就是深度學習，而深度學習又分為不同的模型，如前饋神經網絡（feedforwardneuralnetwork，DNN）、卷積神經網絡（ConvolutionalNeuralNetworks，CNN）、循環神經網絡（RecurrentNeuralNetwork，RNN）等。
DNN：存在著壹個問題——無法對時間序列上的變化進行建模。然而，樣本出現的時間順序對於自然語言處理、語音識別、手寫體識別等應用非常重要。對了適應這種需求，就出現了另壹種神經網絡結構——循環神經網絡RNN。
從廣義上來說，NN(或是更美的DNN)確實可以認為包含了CNN、RNN這些具體的變種形式。在實際應用中，所謂的深度神經網絡DNN，往往融合了多種已知的結構，包括卷積層或是LSTM單元。
在大量的數據面前dnn(relu)的效果已經不差於預訓練的深度學習結構了。最終DBN也是看成是“生成模型”。CNN也沒有pre-train過程，訓練算法也是用BP。因為加入卷積可以更好的處理2D數據，例如圖像和語音。
從DNN按不同層的位置劃分，DNN內部的神經網絡層可以分為三類，輸入層，隱藏層和輸出層，如下圖示例，壹般來說第壹層是輸出層，最後壹層是輸出層，而中間的層數都是隱藏層。
銳化卷積核中心的系數大於1，周圍八個系數和的絕對值比中間系數小1，這將擴大壹個像素與之周圍像素顏色之間的差異，最後得到的圖像比原來的圖像更清晰。
卷積神經網絡(CNN)和循環神經網絡(RNN)有什麽區別?DNN：存在著壹個問題——無法對時間序列上的變化進行建模。然而，樣本出現的時間順序對於自然語言處理、語音識別、手寫體識別等應用非常重要。對了適應這種需求，就出現了另壹種神經網絡結構——循環神經網絡RNN。
CNN在大型圖像處理方面有出色的表現，目前已經被大範圍使用到圖像分類、定位等領域中。相比於其他神經網絡結構，卷積神經網絡需要的參數相對較少，使的其能夠廣泛應用。
從廣義上來說，NN(或是更美的DNN)確實可以認為包含了CNN、RNN這些具體的變種形式。在實際應用中，所謂的深度神經網絡DNN，往往融合了多種已知的結構，包括卷積層或是LSTM單元。
CNN、RNN、DNN的內部網絡結構有什麽區別?1、從廣義上來說，NN(或是更美的DNN)確實可以認為包含了CNN、RNN這些具體的變種形式。在實際應用中，所謂的深度神經網絡DNN，往往融合了多種已知的結構，包括卷積層或是LSTM單元。
2、RNN（循環神經網絡），壹類用於處理序列數據的神經網絡，RNN最大的不同之處就是在層之間的神經元之間也建立的權連接。從廣義上來說，DNN被認為包含了CNN、RNN這些具體的變種形式。
3、區別就在循環層上。卷積神經網絡沒有時序性的概念，輸入直接和輸出掛鉤；循環神經網絡具有時序性，當前決策跟前壹次決策有關。
CNN和RNN在文本分類過程中的區別整理1、區別就在循環層上。卷積神經網絡沒有時序性的概念，輸入直接和輸出掛鉤；循環神經網絡具有時序性，當前決策跟前壹次決策有關。
2、CNN：每層神經元的信號只能向上壹層傳播，樣本的處理在各個時刻獨立，因此又被稱為前向神經網絡。
3、從廣義上來說，NN(或是更美的DNN)確實可以認為包含了CNN、RNN這些具體的變種形式。在實際應用中，所謂的深度神經網絡DNN，往往融合了多種已知的結構，包括卷積層或是LSTM單元。
4、CNN的語音識別的特征（feature）通常是是頻譜圖（spectrogram），類似圖片識別的處理方式。同樣也可以利用filtersize，基於過去和未來的信息判斷當前內容。但由於size固定，longdependence方面不如LSTM。