理工酷

CNN 卷积神经网络（Convolutional Neural Networks, CNN）是一种深层神经网络。这是最常用于分析视觉图像的方法。 神经网络的输入是一个向量，而这里的输入是一个多通道图像。

CNN使用多层感知器的变体设计，需要最少的预处理。这意味着网络学习传统算法中手工设计的过滤器。这种与特征设计中的先前知识和人力的独立性是一个主要优点。

RNN

循环神经网络(RNN)是一种人工神经网络，旨在识别序列数据中的模式，如文本、基因组、笔迹、口语、数字时间序列数据。

RNN模型中的每个节点都可以充当存储单元，继续进行运算的计算和实现。如果网络的预测不正确，则系统会自我学习并在反向传播期间继续朝着正确的预测工作。RNN能够记住它们接收到的输入相关的重要信息，这使它们能够非常精确地预测接下来会发生什么。

他们的主要区别主要有以下几点：

• CNN空间扩展，神经元与特征卷积；RNN时间扩展，神经元与多个时间输出计算

• RNN可以用于描述时间上连续状态的输出，有记忆功能，CNN用于静态输出

• CNN高级100+深度，RNN深度有限