TensorFlow - Diferencia entre CNN y RNN

En este capítulo, nos centraremos en la diferencia entre CNN y RNN:

CNN	RNN
Es adecuado para datos espaciales como imágenes.	RNN es adecuado para datos temporales, también llamados datos secuenciales.
Se considera que CNN es más poderoso que RNN.	RNN incluye menos compatibilidad de funciones en comparación con CNN.
Esta red toma entradas de tamaño fijo y genera salidas de tamaño fijo.	RNN puede manejar longitudes de entrada / salida arbitrarias.
CNN es un tipo de red neuronal artificial de retroalimentación con variaciones de perceptrones multicapa diseñados para utilizar cantidades mínimas de preprocesamiento.	RNN, a diferencia de las redes neuronales de alimentación directa, puede usar su memoria interna para procesar secuencias arbitrarias de entradas.
Las CNN utilizan un patrón de conectividad entre las neuronas. Esto está inspirado en la organización de la corteza visual animal, cuyas neuronas individuales están dispuestas de tal manera que responden a regiones superpuestas que embaldosan el campo visual.	Las redes neuronales recurrentes utilizan información de series de tiempo: lo que un usuario habló por última vez tendrá un impacto en lo que hablará a continuación.
Las CNN son ideales para el procesamiento de imágenes y videos.	Los RNN son ideales para el análisis de texto y voz.

La siguiente ilustración muestra la representación esquemática de CNN y RNN: