TensorFlow - Différence CNN et RNN

Dans ce chapitre, nous nous concentrerons sur la différence entre CNN et RNN -

CNN	RNN
Il convient aux données spatiales telles que les images.	RNN convient aux données temporelles, également appelées données séquentielles.
CNN est considéré comme plus puissant que RNN.	RNN inclut moins de compatibilité des fonctionnalités par rapport à CNN.
Ce réseau prend des entrées de taille fixe et génère des sorties de taille fixe.	RNN peut gérer des longueurs d'entrée / sortie arbitraires.
CNN est un type de réseau neuronal artificiel à action directe avec des variations de perceptrons multicouches conçus pour utiliser des quantités minimales de prétraitement.	RNN contrairement aux réseaux de neurones à réaction directe - peut utiliser sa mémoire interne pour traiter des séquences arbitraires d'entrées.
Les CNN utilisent un modèle de connectivité entre les neurones. Ceci est inspiré par l'organisation du cortex visuel animal, dont les neurones individuels sont disposés de telle manière qu'ils répondent aux régions qui se chevauchent tapissant le champ visuel.	Les réseaux de neurones récurrents utilisent des informations de séries chronologiques - ce qu'un utilisateur a parlé en dernier aura un impact sur ce qu'il parlera ensuite.
Les CNN sont idéaux pour les images et le traitement vidéo.	Les RNN sont idéaux pour l'analyse du texte et de la parole.

L'illustration suivante montre la représentation schématique de CNN et RNN -