一组图诠释CNN及RNN的区别

最新推荐文章于 2024-03-04 14:05:35 发布
最新推荐文章于 2024-03-04 14:05:35 发布
阅读量2.3w 收藏 43
点赞数 11
分类专栏： 机器学习 文章标签： 人工智能 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/buptgshengod/article/details/78362575
版权

CNN和RNN是深度学习中运用最多的两种深度学习网络结构，可能有些同学还不太清楚这两种网络的区别，今天刚好看到了一张图可以比较清楚的解释CNN及RNN的区别。  


首先，CNN对于输入数据的维度约束是比较严重的，比如用CNN训练一个图像识别的model，训练的图片像素是48*48的，那么在预测的时候，也需要把所有的预测图片转成48*48。这个约束在图像识别方面可能表现的并不是那么明显，人们可以说：大不了预测的时候我做个图片大小转换不就得了？我们再思考另一个场景，比如用CNN去做一个智能问答系统，CNN会需要所有的问答数据都是固定的长度，这就很可怕了，这种模型会让问答变成对对子，必须每句话长短固定。而RNN没有这种约束。


另外，RNN更多的考虑了神经元之间的联系，比如我们训练一个翻译系统，那么对于一个短语的翻译一定要考虑前因后果，这就需要模型对于数据输入的前后因素都要考虑，CNN并不具备这样的特点。


现在再用一张图表示CNN和RNN的具体应用：


one to one：表示的是CNN网络的场景，从固定的输入到固定的输出

one to many：RNN的场景，序列输出，有点像看图说话，例如固定了输入的图片，然后输出一段序列描述这个图的意义

many to one：RNN的场景，序列输入，比如我们做语义情感分析，输入一串不定长度的话，返回情绪

many to many：RNN的场景，常见的sequence to sequence，比如之前的一个文章到的，通过周杰伦的歌词数据，模仿写出一首周杰伦风格的歌词，这种场景的输入和输出的长度都是不定的。


作者微信公众号：凡人机器学习


Garvin Li
关注
  • 11
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CNN卷积神经网络：理论基础、核心架构与多元应用
JINGWHALE
05-23 96
CNN是一种深度学习模型，利用卷积层提取图像特征，池化层降维与增强不变性，全连接层实现分类/回归。核心理论包括局部感知、权值共享、多层抽象。广泛应用图像识别、目标检测、语义分割、生成任务等领域。
CNN卷积神经网络总结
qq_31267769的博客
09-23 6407
1 DNN和CNN DNN（Deep Neural Networks，深度神经网络） DNN是一个全连接的深度神经网络，也可以用作图像识别，在mnist上的表现也很不错，可以参考这篇文章。鉴于为了介绍CNN和DNN的区别，在这篇文章中都叫做全连接神经网络。全连接神经网络中，每相邻的两层网络之间的节点都是相互有边相连。上一层的每个神经元均要链接下一层的每个神经元，于是一般将每一层的神经元排成一排，如图所示： 而对于卷积神经网络，相邻的两个网络层之间只有部分节点相连，为了方便展示神经元的维度，一般会展
DNN、CNN、RNN、LSTM的区别，最全最详细解答
热门推荐
Jfightingk的博客
07-22 3万+
** DNN、CNN、RNN、LSTM的区别，最全最详细解答 ** 神经网络的变种目前有， 如误差反向传播（Back Propagation，BP）神经网路、 概率神经网络、 RNN-循环神经网络 DNN-深度神经网络 CNN-卷积神经网络（－适用于图像识别）、 LSTM-时间递归神经网络（－适用于语音识别）等。 但最简单且原汁原味的神经网络则是 多层感知器（Muti－Layer Perception ，MLP）。 MLP神经网络的结构和原理 最典型的MLP包括包括三层：输入层、隐层和输出层，MLP神经网络
RNN与CNN的特点及区别
qq_41903673的博客
12-27 1万+
从应用方面上来看，CNN用到做图像识别比较多，而RNN在做到语言处理多一点，如果拿来比喻的话，CNN如同眼睛一样，正是目前机器用来识别对象的图像处理器。相应地，RNN则是用于解析语言模式的数学引擎，就像耳朵和嘴巴。 对于CNN神经网络，有一个基础的假设——人类的视觉总是会关注视线内特征最明显的点 RNN的假设——事物的发展是按照时间序列展开的，即前一刻发生的事物会对未来的事情的发展产生影响。 CNN 1.结构层次 卷积神经网络主要分数据输入层(Input Layer)、卷积计算层(CONV La
CNN和RNN的区别是什么？
weixin_40551464的博客
01-09 1841
CNN: CNN主要用于处理具有网格状拓扑结构的数据，如图像（2D网格）和视频（3D网格）。RNN: RNN专门用于处理序列数据，如文本、时间序列数据等。CNN对于空间上下文（如图像中的像素之间的关系）处理非常有效，但不适用于时间序列数据。CNN擅长处理空间数据（如图像），而RNN擅长处理时间序列或顺序数据（如文本）。RNN: RNN的设计使其能够处理和记忆长期的序列信息，这对于理解语言和其他连续数据至关重要。RNN: RNN由于其序列依赖性，通常更难训练（如梯度消失问题），并且在计算上不如CNN高效。
CNN和RNN在NLP任务中的对比实验
Forever-守望
02-16 1万+
这篇博客主要是拜读IBM Research发表的论文“Comparative Study of CNN and RNN for Natural Language Processing”，结合自己的体会做一个阅读笔记。        目前深度学习主要包括CNN(卷积神经网络)和RNN(递归神经网络)两大阵营，基于卷积的CNN对识别目标任务的结构具有一定的优势，而RNN由于其记忆功能对序列识别建模具备
CNN和RNN区别
zkq_1986的博客
09-07 1万+
CNN和RNN区别 CNN主要用于图像；RNN主要用于时序和NLP。 当CNN、RNN都用于NLP时，它们的区别在于： RNN（循环神经网络），当前节点的输入包含之前所有节点信息。 RNN（递归神经网络），当前节点的输入以树结构形式包含部分之前节点信息。 CNN（卷积神经网络），当前节点的输入以树结构形式仅包含上一层节点信息。
神经网络结构——CNN、RNN、LSTM、Transformer ！！
最新发布
不要给自己设限，尝试更多可能（思所向 皆可往）
03-04 6128
本文将从什么是CNN？什么是RNN？什么是LSTM？什么是Transformer？四个问题，简单介绍神经网络结构。神经网络结构通过卷积和池化操作有效地处理高维图像数据，降低计算复杂度，并提取关键特征进行识别和分类。网络结构用来提取图像的局部特征。用来大幅降低参数量级，实现数据降维。用来输出想要的结果。卷积神经网络（CNN）解决问题卷积操作提取图像特征，如边缘、纹理等，保留图像特征。池化操作大幅降低参数量级，实现数据降维，大大减少运算量，避免过拟合。工作原理。
text-classification-cnn-rnn-master_RNN_CNN_
10-02
标题中的"RNN_CNN"表明这是一个结合循环神经网络（Recurrent Neural Network, RNN）与卷积神经网络（Convolutional Neural Network, CNN）的项目，用于中文文本分类。在描述中，我们得知该实现是用TensorFlow完成的...
CNN+RNN.zip_CNN RNN_CNN-_CNN-RNN_rnn 识别_rnn训练时间
07-15
标题中的"CNN+RNN.zip"表明这是一个关于卷积神经网络（CNN）和循环神经网络（RNN）结合的应用项目，而"CNN RNN_CNN-_CNN-RNN"可能是项目中涉及的不同模型结构的表示，可能包括纯CNN、纯RNN以及结合两者的方式。"rnn_...
BP CNN RNN LSTM 技术分享
03-16
分享 BP CNN RNN LSTM 算法核心点： 反向传播算法的核心就是 梯度下降 + 链式法则求偏导 所谓神经网络的训练或者是学习，其主要目的在于通过学习算法得到神经网络解决指定问题所需的参数， 这里的参数包括各层神经元之间的连接权重以及偏置等
train_cnn-rnn:cnn + rnn
04-30
自己搭建的一个训练框架，包含模型有：cnn+rnn: vgg(vgg16,vgg19)+rnn(LSTM, GRU), resnet(resnet_v2_50,resnet_v2_101,resnet_v2_152)+rnn(LSTM, GRU), inception_v4+rnn(LSTM, GRU), inception_resnet_v2+rnn(LSTM...
人工智能-项目实践-文本分类-CNN-RNN中文文本分类，基于TensorFlow
05-12
人工智能-项目实践-文本分类-CNN-RNN中文文本分类，基于TensorFlow 使用卷积神经网络以及循环神经网络进行中文文本分类 CNN做句子分类的论文可以参看: Convolutional Neural Networks for Sentence Classification...
RNN_RNN_CNN_
10-01
在深度学习领域，循环神经网络（RNN）和卷积神经网络（CNN）是两种非常重要的模型，广泛应用于自然语言处理、图像识别等多种任务。在这个项目中，我们看到作者使用Python实现了这些模型，而且是在没有依赖任何特定...
rnn神经网络模型_【深度学习篇】—CNN和RNN结合与对比，实例讲解
weixin_39863155的博客
11-28 1317
一、前述CNN和RNN几乎占据着深度学习的半壁江山，所以本文将着重讲解CNN+RNN的各种组合方式，以及CNN和RNN的对比。二、CNN与RNN对比1.CNN卷积神经网络与RNN递归神经网络直观图：2.相同点： 2.1. 传统神经网络的扩展； 2.2. 前向计算产生结果，反向计算模型更新； 2.3. 每层神经网络横向可以多个神经元共存，纵向可以有多层神经网络连接。3.不同点： ...
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构的区别...
weixin_30587025的博客
02-23 5839
先说DNN，从结构上来说他和传统意义上的NN（神经网络）没什么区别，但是神经网络发展时遇到了一些瓶颈问题。一开始的神经元不能表示异或运算，科学家通过增加网络层数，增加隐藏层可以表达。并发现神经网络的层数直接决定了它对现实的表达能力。但是随着层数的增加会出现局部函数越来越容易出现局部最优解的现象，用数据训练深层网络有时候还不如浅层网络，并会出现梯度消失的问题。我们经常使用sigmoi...
深度神经网络（使用CNN，NN，RNN，与KNN，SVM）
weixin_41075215的博客
12-08 7606
深度神经网络 实验目的 了解神经网络结构（NN，CNN，RNN） 使用框架运行神经网络，查看并对比神经网络学习的效果 不断调整神经网络的参数，逐步提升学习效果（以CNN为例） 对比神经网络与一般机器算法的区别 目录 pytorch的安装 数据预处理 CNN的实现 CNN的三次迭代过程及最终结果 RNN的实现与预测结果 NN的实现与最终结果 SVM的实现与最终结果 pytorch的安装 搭建...
一文读懂 CNN、DNN、RNN 内部网络结构区别
kebu12345678的博客
02-06 7229
http://network.chinabyte.com/269/13936269.shtml 一文读懂 CNN、DNN、RNN 内部网络结构区别 2016-10-24 16:07:00 作者：36大数据 分类 : 比特网 从广义上来说，NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中，所谓的深度神
使用CNN+RNN进行图像描述生成
最常见的一种方法是采用卷积神经网络（CNN）和循环神经网络（RNN），尤其是长短期记忆网络（LSTM）的组合。 在基本的解决方案中，首先使用CNN从图像中提取高层特征。CNN通过对图像的多个层次进行卷积操作，形成...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值