Neural network CNN前馈或反向传播模型

卷积神经网络（CNN）是前馈模型还是反向传播模型。通过比较CNN的博客和维基百科的定义，我得到了这种困惑。

卷积神经网络是一种结构化的神经网络，其中前几层稀疏连接，以便处理信息（通常是视觉的）

前馈网络定义为不包含任何循环。如果它有周期，它就是一个递归神经网络。例如，想象一个三层网络，其中第1层是输入层，第3层是输出层。前馈网络将由第1层接收输入、将其馈送至第2层、第2层馈送至第3层和第3层输出构成。一个递归神经网络将在第1层接收输入，反馈给第2层，但第2层可能同时反馈给第1层和第3层。由于“较低”层将其输出反馈到“较高”层，因此在神经网络内创建了一个循环

然而，反向传播是训练神经网络的方法。它与网络的结构没有多大关系，而是暗示了输入权重是如何更新的

当训练前馈网络时，信息被传递到网络中，并将得到的分类与已知的训练样本进行比较。如果网络的分类不正确，则通过网络按照正确分类的方向向后调整权重。这是训练的反向传播部分

---

因此，CNN是一个前馈网络，但通过反向传播进行训练。

与tswei的答案类似，但可能更简洁

卷积神经网络是一种前馈神经网络结构，它使用多组权重（滤波器）在输入空间中“滑动”或卷积来分析距离像素关系，而不是单个节点的激活

反向传播是一种通过将误差从输出层“反向传播”到输入层（包括隐藏层）来训练神经网络的方法。

简而言之，
CNN是前馈神经网络。

---

反向传播是一种用于训练神经网络的技术

CNN是前馈。CNN是通过误差的反向传递来学习的。前馈模型也可以同时作为反向传播模型。。。大多数情况都是这样。