RNN,CNN,LSTM对比

卷积神经网络（CNN）

包含卷积运算且具有深度结构的前馈网络，卷积神经网络的各层中的神经元是3维排列的：宽度、高度和深度。
卷积神经网络是处理二维数据信息。由卷积层、池化层和全连接层组成。卷积层通过卷积核提取输入数据的局部特征，池化层对特征图进行降维以减少计算量和防止过拟合，全连接层将特征图转换为最终的输出。CNN的核心思想是利用卷积操作来提取图像的局部特征，并通过多层的堆叠实现对复杂特征的抽象和表示。
神经网络出现全连接层的概念可以理解为：通过矩阵乘法的计算过程，将前一层的输出与当前层的每个神经元全连接，实现特征的整合和分类
应用于图像识别、视频分析、自然语言处理等领域表现出色。由于其能够自动提取图像的局部特征，因此在图像分类、目标检测、图像分割等任务中具有很高的性能。此外，CNN还能够处理高维数据，避免了梯度消失或梯度爆炸的问题。

循环神经网络（RNN）

如同卷积神经网络是专门用于处理二维数据信息（如图像）的神经网络，循环神经网络是专用于处理序列信息的神经网络。循环网络可以扩展到更长的序列，大多数循环神经网络可以处理可变长度的序列，循环神经网络的诞生解决了传统神经网络在处理序列信息方面的局限性。

原理

RNN存在一个记忆的概念，可以从先前的输入中获取信息，以影响当前的输入和输出；并且对序列的每个元素都执行这个相同的步骤。