我是神经网络主题的新手 . 我遇到了两个术语卷积神经网络和递归神经网络 .
我想知道这两个术语是指同一个词，或者，如果没有，它们之间会有什么区别？
CNN和RNN之间的差异如下：
CN9 CNN是一种前馈人工神经网络 - 是多层感知器的变体，旨在使用最少量的预处理 .
CNN使用其神经元之间的连接模式，并受到动物视觉皮层组织的启发，动物视觉皮层的个体神经元以这样的方式排列，即它们响应于平铺视野的重叠区域 .
999 RNN与前馈神经网络不同 - 可以使用其内部存储器来处理任意输入序列 .
递归神经网络使用时间序列信息 . 即我上次发言的内容将影响我接下来要讲的内容 .
RNN是文本和语音分析的理想选择 .
卷积神经网络（CNN）被设计用于识别图像 . 它内部有旋圈，可以看到图像上识别出的物体边缘 . 设计递归神经网络（RNN）以识别序列，例如语音信号或文本 . 循环网络内部有循环，意味着网络中存在短暂内存 . 我们已经应用CNN以及RNN选择合适的机器学习算法来为BCI分类EEG信号：http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/
显然我在这里有点晚了，但我想指出任何对神经网络感兴趣的人都要this article . 它不仅可以很好地解释基础知识，而且如果您想深入挖掘，它还可以为您提供原始论文，同时解决当今所有最常见的神经网络架构 .
ice.cube对每个主要用途的回答非常好
这些架构完全不同，因此很难说“有什么区别”，因为唯一的共同点是它们都是神经网络 .
Convolutional networks是执行卷积任务的重叠"reception fields"的网络 .
Recurrent networks是具有循环连接的网络（与"normal"信号流相反的方向），它们在网络拓扑中形成 cycles .
除了其他之外，在CNN中我们通常使用沿轴的2d平方滑动窗口和卷积（具有原始输入2d图像）来识别图案 .
在RNN中，我们使用先前计算的内存 . 如果您有兴趣可以看到，LSTM（长短期记忆）是一种特殊的RNN .
CNN和RNN都有一个共同点，因为它们检测模式和序列，也就是说你无法改变你的单个输入数据位 .
首先，我们需要知道递归NN与经常性NN不同 . 根据维基的定义，
递归神经网络（RNN）是一种通过在结构上递归地应用同一组权重而创建的深度神经网络
从这个意义上讲，CNN是一种递归NN . 另一方面，循环NN是一种基于时间差的递归NN . 因此，在我看来，CNN和经常性NN是不同的，但两者都来自递归NN .
用于计算机视觉的卷积神经网络（CNN）和用于自然语言处理的循环神经网络（RNN） .
虽然这可以应用于其他领域，但是RNN具有网络的优点，该网络可以通过在网络中引入环路而使信号在两个方向上传播 .
反馈网络功能强大，可能会非常复杂 . 从先前输入得到的计算被反馈到网络中，这为它们提供了一种存储器 . 反馈网络是动态的：它们的状态在不断变化，直到达到 balancer 点 .
7 回答
CNN和RNN之间的差异如下：
CNN：
CN9 CNN是一种前馈人工神经网络 - 是多层感知器的变体，旨在使用最少量的预处理 .
CNN使用其神经元之间的连接模式，并受到动物视觉皮层组织的启发，动物视觉皮层的个体神经元以这样的方式排列，即它们响应于平铺视野的重叠区域 .
RNN：
999 RNN与前馈神经网络不同 - 可以使用其内部存储器来处理任意输入序列 .
递归神经网络使用时间序列信息 . 即我上次发言的内容将影响我接下来要讲的内容 .
RNN是文本和语音分析的理想选择 .
卷积神经网络（CNN）被设计用于识别图像 . 它内部有旋圈，可以看到图像上识别出的物体边缘 . 设计递归神经网络（RNN）以识别序列，例如语音信号或文本 . 循环网络内部有循环，意味着网络中存在短暂内存 . 我们已经应用CNN以及RNN选择合适的机器学习算法来为BCI分类EEG信号：http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/
显然我在这里有点晚了，但我想指出任何对神经网络感兴趣的人都要this article . 它不仅可以很好地解释基础知识，而且如果您想深入挖掘，它还可以为您提供原始论文，同时解决当今所有最常见的神经网络架构 .
ice.cube对每个主要用途的回答非常好
这些架构完全不同，因此很难说“有什么区别”，因为唯一的共同点是它们都是神经网络 .
Convolutional networks是执行卷积任务的重叠"reception fields"的网络 .
Recurrent networks是具有循环连接的网络（与"normal"信号流相反的方向），它们在网络拓扑中形成 cycles .
除了其他之外，在CNN中我们通常使用沿轴的2d平方滑动窗口和卷积（具有原始输入2d图像）来识别图案 .
在RNN中，我们使用先前计算的内存 . 如果您有兴趣可以看到，LSTM（长短期记忆）是一种特殊的RNN .
CNN和RNN都有一个共同点，因为它们检测模式和序列，也就是说你无法改变你的单个输入数据位 .
首先，我们需要知道递归NN与经常性NN不同 . 根据维基的定义，
从这个意义上讲，CNN是一种递归NN . 另一方面，循环NN是一种基于时间差的递归NN . 因此，在我看来，CNN和经常性NN是不同的，但两者都来自递归NN .
用于计算机视觉的卷积神经网络（CNN）和用于自然语言处理的循环神经网络（RNN） .
虽然这可以应用于其他领域，但是RNN具有网络的优点，该网络可以通过在网络中引入环路而使信号在两个方向上传播 .
反馈网络功能强大，可能会非常复杂 . 从先前输入得到的计算被反馈到网络中，这为它们提供了一种存储器 . 反馈网络是动态的：它们的状态在不断变化，直到达到 balancer 点 .