TensorFlow - Differenza tra CNN e RNN

In questo capitolo, ci concentreremo sulla differenza tra CNN e RNN -

CNN RNN
È adatto per dati spaziali come le immagini. RNN è adatto per dati temporali, chiamati anche dati sequenziali.
La CNN è considerata più potente della RNN. RNN include una minore compatibilità delle funzionalità rispetto alla CNN.
Questa rete accetta input di dimensione fissa e genera output di dimensione fissa. RNN può gestire lunghezze di input / output arbitrarie.
La CNN è un tipo di rete neurale artificiale feed-forward con variazioni di percettroni multistrato progettati per utilizzare quantità minime di preelaborazione. RNN, a differenza delle reti neurali feed forward, può utilizzare la propria memoria interna per elaborare sequenze arbitrarie di input.
Le CNN utilizzano il modello di connettività tra i neuroni. Questo è ispirato dall'organizzazione della corteccia visiva animale, i cui singoli neuroni sono disposti in modo tale da rispondere alle regioni sovrapposte che piastrellano il campo visivo. Le reti neurali ricorrenti utilizzano informazioni di serie temporali: ciò che un utente ha parlato per ultimo avrà un impatto su ciò che parlerà dopo.
Le CNN sono ideali per l'elaborazione di immagini e video. Gli RNN sono ideali per l'analisi del testo e del parlato.

La seguente illustrazione mostra la rappresentazione schematica di CNN e RNN -