cnn、rnn和lstm的区别

然小九

于 2020-04-24 01:39:16 发布

阅读量7.6k

点赞数 1

文章标签：神经网络

本文链接：https://blog.csdn.net/Ldu_wukong/article/details/105722105

版权

本文探讨了CNN、RNN两种神经网络模型的特性，CNN擅长图像特征识别，通过卷积操作实现累加效果；而RNN则采用递归结构，适合处理动态序列数据。此外，还提到了LSTM与RNN的区别，并推荐了相关文章以深入理解这些概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们都知道cnn和lstm的本质区别是有无记忆功能，也就是联想的能力，cnn只能够识别出一部分的特征，而lstm可以根据上下文得出结论。
但是我产生了一个问题，如何才能从他们的流程中找到区别，问什么不在RNN上直接加一个dropout层，或者将cnn改为时间序列。
首先看一下cnn、Rnn和lstm的原理图：
如下
cnn：

在这里插入图片描述

RNN：

在这里插入图片描述

lstm：

在这里插入图片描述
首先我想谈一下cnn与RNN，为什么不给cnn一个递归？而RNN递归就可以很好的解决问题：
我的思考是，cnn是对每一层卷积的结果的累加效果。并且cnn实际上对处理图片有着很大的作用，其实质上是对某一个特定的特征进行识别。
而RNN则是不断更新的过程，不太准确的说就是一个动态表。
关于lstm和rnn的区别请看下面这位大佬的博文：
https://blog.csdn.net/lanmengyiyu/article/details/79941486传送门