les différences entre CNN et RNN sont les suivantes:

CNN:

1. CNN prend des entrées de taille fixe et génère des sorties de taille fixe.

2. CNN est un type de réseau neuronal artificiel d'avance-sont des variations de perceptrons multicouches qui sont conçus pour utiliser des quantités minimales de prétraitement.

3. CNNs utilise le schéma de connectivité entre ses neurones et s'inspire de l'organisation de l'animal le cortex visuel, dont les neurones individuels sont disposés de manière à répondre à des régions chevauchantes qui tapissent le champ visuel.

4. les CNN sont idéales pour le traitement d'images et de vidéos.

RNN:

1. RNN peut gérer des longueurs d'entrée/sortie arbitraires.

2. RNN contrairement aux réseaux neuronaux de feedforward - peuvent utiliser leur mémoire interne pour traiter des séquences arbitraires de entrée.

3. les réseaux neuronaux récurrents utilisent des données chronologiques. c'est-à-dire que ce que j'ai dit en dernier aura un impact sur ce que je parlerai ensuite.

4. les RNN sont idéales pour l'analyse du texte et de la parole.

les réseaux neuronaux convolutionnels (CNN) sont conçus pour reconnaître les images. Il a circonvolutions de l'intérieur, qui voit les bords d'un objet reconnu sur l'image. Les réseaux neuronaux récurrents (RNN) sont conçus pour reconnaître des séquences, par exemple un signal vocal ou un texte. Le réseau récurrent a des cycles à l'intérieur qui impliquent la présence d'une mémoire courte dans le réseau. Nous avons appliqué CNN ainsi que RNN En choisissant un algorithme d'apprentissage machine approprié pour classer les signaux EEG pour BCI: http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/

évidemment je suis un peu en retard ici, mais je voudrais pointer quiconque est intéressé par les réseaux neuronaux à cet article. Non seulement il explique assez bien les bases, mais il vous donne aussi les papiers originaux si vous voulez creuser plus profondément, tout en abordant toutes les architectures de réseau Neural les plus courantes aujourd'hui.

glace.cube a très bien répondu en ce qui concerne les principales utilisations de chacun

ces architectures sont complètement différentes, il est donc assez difficile de dire "quelle est la différence", car la seule chose en commun est le fait, qu'elles sont toutes les deux des réseaux neuronaux.

réseaux convolutionnels sont des réseaux dont les "champs de réception" se chevauchent et qui exécutent des tâches de convolution.

réseaux récurrents sont des réseaux avec des connexions récurrentes (allant dans le sens opposé du flux de signal "normal") qui forment passe dans la topologie du réseau.

tout d'abord, nous devons savoir que la NN récursive est différente de la NN récurrente. Par sa définition,

un réseau neuronal récursif (RNN) est une sorte de réseau neuronal profond créé en appliquant le même ensemble de poids de façon récursive sur une structure

en ce sens, CNN est un type de NN récursif. D'autre part, la NN récurrente est un type de NN récursif basé sur le décalage horaire. Par conséquent, à mon avis, CNN et NN récurrents sont différents, mais à la fois sont dérivés de NN récursif.

en dehors des autres, dans CNN nous utilisons généralement une fenêtre coulissante 2D au carré le long d'un axe et convolute (avec l'image 2D d'entrée originale) pour identifier les motifs.

dans RNN nous utilisons la mémoire calculée au préalable. Si vous êtes intéressé, vous pouvez voir, LSTM (Long Short-Term Memory) qui est une sorte spéciale de RNN.

CNN et RNN ont tous deux un point en commun, car ils détectent les motifs et les séquences, c'est-à-dire que vous ne pouvez pas mélanger vos bits de données d'entrée uniques.

réseaux neuronaux convolutionnels (CNN) pour la vision par ordinateur, et réseaux neuronaux récurrents (RNN) pour le traitement du langage naturel.

bien que cela puisse être appliqué dans d'autres domaines, les RNN ont l'avantage de réseaux qui peuvent avoir des signaux voyageant dans les deux directions en introduisant des boucles dans le réseau.

réseaux de rétroaction sont puissants et peuvent devenir très compliqué. Les calculs dérivés de l'input précédent sont réinjectés dans le réseau, ce qui leur donne une sorte de mémoire. La rétroaction des réseaux dynamiques: leur état change continuellement jusqu'à ce qu'ils atteignent un point d'équilibre.