Neural network 什么'；卷积神经网络和递归神经网络的区别是什么？

我对神经网络这个话题不太熟悉。我遇到了卷积神经网络和递归神经网络这两个术语

---

我想知道这两个术语是否指的是同一件事，或者，如果不是，它们之间的区别是什么？

这些结构是完全不同的，所以很难说“区别是什么”，因为唯一的共同点是，它们都是神经网络

具有重叠“接收场”的网络执行卷积任务

---

是具有反复连接（与“正常”信号流方向相反）的网络，在网络拓扑中形成周期

用于计算机视觉的卷积神经网络（CNN）和用于自然语言处理的递归神经网络（RNN）

尽管这可以应用于其他领域，但RNN具有网络的优势，通过在网络中引入环路，信号可以双向传输

---

反馈网络功能强大，可以变得极其复杂。从以前的输入导出的计算结果被反馈到网络中，这给了它们一种内存。反馈网络是动态的：它们的状态不断变化，直到达到平衡点。

卷积神经网络（CNN）被设计用于识别图像。它内部有卷积，可以看到图像上识别的物体的边缘。递归神经网络（RNN）设计用于识别序列，例如语音信号或文本。循环网络内部有循环，这意味着网络中存在短内存。我们应用了CNN和RNN，选择合适的机器学习算法对脑机接口的EEG信号进行分类：

CNN和RNN之间的区别如下：

y = f(W * x)
y = f(W * y)
y = f(W * y)
... until convergence

美国有线电视新闻网：

CNN接收固定大小的输入并生成固定大小的输出

CNN是一种前馈人工神经网络，是多层感知器的变种，其设计使用最少的预处理量

CNN使用其神经元之间的连接模式，并受到动物视觉皮层组织的启发，其单个神经元的排列方式使其对重叠的视野区域作出反应

CNN是图像和视频处理的理想选择

RNN：

RNN可以处理任意输入/输出长度

与前馈神经网络不同，RNN可以使用其内部存储器处理任意输入序列

递归神经网络使用时间序列信息。i、 我上一次的发言将影响我下一次的发言

RNN是文本和语音分析的理想选择

---

首先，我们需要知道递归神经网络不同于递归神经网络。 根据维基的定义

递归神经网络（RNN）是一种深度神经网络，通过在结构上递归应用相同的权重集而创建

从这个意义上说，CNN是一种递归神经网络。 另一方面，递归神经网络是一种基于时差的递归神经网络。

---

因此，在我看来，CNN和递归神经网络是不同的，但它们都是从递归神经网络派生出来的

除其他外，在CNN中，我们通常使用沿轴的2d平方滑动窗口和卷积（与原始输入2d图像）来识别模式

在RNN中，我们使用先前计算的内存。如果你感兴趣的话，你可以看到LSTM（长-短期记忆），它是一种特殊的RNN

---

CNN和RNN都有一个共同点，因为它们检测模式和序列，那就是你不能洗牌你的单个输入数据位。

这就是CNN和RNN之间的区别

卷积神经网络：

在深度学习中，卷积神经网络（CNN或ConvNet）是一类深度神经网络，最常用于分析视觉图像。。。它们在图像和视频识别、推荐系统、图像分类、医学图像分析和自然语言处理等领域有着广泛的应用

递归神经网络：

---

递归神经网络（RNN）是一类人工神经网络，其中节点之间的连接沿时间序列形成有向图。这允许它表现出时间动态行为。与前馈神经网络不同，RNN可以使用其内部状态（内存）来处理输入序列。

首先描述卷积和递归层更有帮助

卷积层：

包括输入、一个或多个过滤器（以及子采样）

输入可以是一维或n维（n>1），例如，它可以是二维图像。每个层中还定义了一个或多个过滤器。输入与每个滤波器进行卷积。卷积法与图像处理中的滤波器卷积法几乎相似。一般来说，本节的目的是从输入中提取每个过滤器的特征。每个卷积的输出称为特征映射

例如，对水平边缘考虑滤波器，其与输入卷积的结果是提取输入图像的水平边缘。通常，在实践中，特别是在第一层中，定义了大量过滤器（例如，一层中有60个过滤器）。此外，在卷积之后，通常执行子采样操作，例如，两个邻域值的最大值或平均值​​被选中

卷积层允许从输入中提取重要的特征和模式。并删除输入数据相关性（线性和非线性）。

[下图显示了

y = f(W * x)
y = f(W * y)
y = f(W * y)
... until convergence