CNN与RNN有哪些区别
更新:HHH   时间:2023-1-7


本篇内容主要讲解“CNN与RNN有哪些区别”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“CNN与RNN有哪些区别”吧!

一、CNN与RNN对比

1. CNN卷积神经网络与RNN递归神经网络直观图

2. 相同点:

  • 传统神经网络的扩展。

  • 前向计算产生结果,反向计算模型更新。

  • 每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。

3. 不同点

  • 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

二、CNN+RNN组合方式

1. CNN 特征提取,用于RNN语句生成图片标注。

2. RNN特征提取用于CNN内容分类视频分类。

3. CNN特征提取用于对话问答图片问答。

三、具体应用

1. 图片标注

基本思路:

  • 目标是产生标注的语句,是一个语句生成的任务,LSTM?

  • 描述的对象大量图像信息,图像信息表达,CNN?

CNN网络中全连接层特征描述图片,特征与LSTM输入结合。

具体步骤:

(1) 模型设计-特征提取

全连接层特征用来描述原图片

LSTM输入:word+图片特征;输出下一word。

(2) 模型设计-数据准备

  • 图片CNN特征提取

  • 图片标注生成Word2Vect 向量

  • 生成训练数据:图片特征+第n单词向量:第n+1单词向量。

(3) 模型训练:

  • 运用迁移学习,CNN特征,语句特征应用已有模型

  • 最终的输出模型是LSTM,训练过程的参数设定:梯度上限(gradient clipping),  学习率调整(adaptivelearning)

  • 训练时间很长。

(4) 模型运行:

  • CNN特征提取

  • CNN 特征+语句开头,单词逐个预测

2. 视频行为识别 :

视频中在发 生什么?

常用方法总结:

(1) RNN用于CNN特征融合:

  • CNN 特征提取

  • LSTM判断

  • 多次识别结果分析。

不同的特征不同输出。

或者:所有特征作为一个输出。

(2) RNN用于CNN特征筛选+融合:

  • 并不是所有的视频 图像包含确定分类信息

  • RNN用于确定哪些frame 是有用的

  • 对有用的图像特征 融合。

(3) RNN用于目标检测:

  • CNN直接产生目标候选区

  • LSTM对产生候选区融合(相邻时刻位置近 似)

  • 确定最终的精确位置。

(4) 多种模型综合:应用中,为了产生***结果,多采用多模型ensemble形式。

到此,相信大家对“CNN与RNN有哪些区别”有了更深的了解,不妨来实际操作一番吧!这里是天达云网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!

返回web开发教程...