TensorFlow - różnica CNN i RNN

W tym rozdziale skupimy się na różnicy między CNN i RNN -

CNN	RNN
Nadaje się do danych przestrzennych, takich jak obrazy.	RNN nadaje się do danych czasowych, zwanych również danymi sekwencyjnymi.
Uważa się, że CNN jest silniejszy niż RNN.	RNN obejmuje mniejszą kompatybilność funkcji w porównaniu do CNN.
Ta sieć przyjmuje dane wejściowe o stałym rozmiarze i generuje wyjścia o stałym rozmiarze.	RNN może obsługiwać dowolne długości wejścia / wyjścia.
CNN to rodzaj sztucznej sieci neuronowej ze sprzężeniem zwrotnym, z odmianami wielowarstwowych perceptronów zaprojektowanych do wykorzystywania minimalnych ilości przetwarzania wstępnego.	RNN w przeciwieństwie do sieci neuronowych typu feed forward - mogą wykorzystywać swoją pamięć wewnętrzną do przetwarzania dowolnych sekwencji wejść.
CNN wykorzystują wzór łączności między neuronami. Inspiruje się to organizacją kory wzrokowej zwierzęcia, której poszczególne neurony są ułożone w taki sposób, że reagują na nakładające się obszary pola widzenia.	Powtarzające się sieci neuronowe wykorzystują informacje z szeregów czasowych - to, co użytkownik wypowiedział jako ostatnie, wpłynie na to, co będzie mówił dalej.
CNN są idealne do przetwarzania obrazów i wideo.	Sieci RNN są idealne do analizy tekstu i mowy.

Poniższa ilustracja przedstawia schematyczne przedstawienie CNN i RNN -