CNN和RNN是深度學(xué)習(xí)中運用最多的兩種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，可能有些同學(xué)還不太清楚這兩種網(wǎng)絡(luò)的區(qū)別，今天剛好看到了一張圖可以比較清楚的解釋CNN及RNN的區(qū)別。??

首先，CNN對于輸入數(shù)據(jù)的維度約束是比較嚴重的，比如用CNN訓(xùn)練一個圖像識別的model，訓(xùn)練的圖片像素是48*48的，那么在預(yù)測的時候，也需要把所有的預(yù)測圖片轉(zhuǎn)成48*48。這個約束在圖像識別方面可能表現(xiàn)的并不是那么明顯，人們可以說：大不了預(yù)測的時候我做個圖片大小轉(zhuǎn)換不就得了？我們再思考另一個場景，比如用CNN去做一個智能問答系統(tǒng)，CNN會需要所有的問答數(shù)據(jù)都是固定的長度，這就很可怕了，這種模型會讓問答變成對對子，必須每句話長短固定。而RNN沒有這種約束。

另外，RNN更多的考慮了神經(jīng)元之間的聯(lián)系，比如我們訓(xùn)練一個翻譯系統(tǒng)，那么對于一個短語的翻譯一定要考慮前因后果，這就需要模型對于數(shù)據(jù)輸入的前后因素都要考慮，CNN并不具備這樣的特點。

現(xiàn)在再用一張圖表示CNN和RNN的具體應(yīng)用：

one to one：表示的是CNN網(wǎng)絡(luò)的場景，從固定的輸入到固定的輸出

one to many：RNN的場景，序列輸出，有點像看圖說話，例如固定了輸入的圖片，然后輸出一段序列描述這個圖的意義

many to one：RNN的場景，序列輸入，比如我們做語義情感分析，輸入一串不定長度的話，返回情緒

many to many：RNN的場景，常見的sequence to sequence，比如之前的一個文章到的，通過周杰倫的歌詞數(shù)據(jù)，模仿寫出一首周杰倫風(fēng)格的歌詞，這種場景的輸入和輸出的長度都是不定的。

作者微信公眾號：凡人機器學(xué)習(xí)

總結(jié)

以上是生活随笔為你收集整理的一组图诠释CNN及RNN的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。