Quelle est la différence entre les réseaux de neurones convolutifs et récurrents?

Je suis nouveau sur le sujet des réseaux de neurones. Je suis tombé sur les deux termes réseau neuronal convolutionnel et réseau neuronal récurrent .

Je me demande si ces deux termes font référence à la même chose ou, sinon, quelle serait la différence entre eux?

    La différence entre CNN et RNN est la suivante:

    CNN:

    1. CNN prend des entrées de taille fixe et génère des sorties de taille fixe.

    2. CNN est un type de réseau neuronal artificiel à réaction directe – des variantes de perceptrons multicouches conçus pour utiliser des quantités minimales de prétraitement.

    3. Les CNN utilisent un schéma de connectivité entre leurs neurones et s’inspirent de l’organisation du cortex visuel animal, dont les neurones individuels sont agencés de manière à répondre aux zones de recouvrement du champ visuel.

    4. Les CNN sont idéaux pour le traitement d’images et de vidéos.

    RNN:

    1. RNN peut gérer des longueurs d’entrée / sortie arbitraires.

    2. RNN contrairement aux réseaux neuronaux d’anticipation – peut utiliser sa mémoire interne pour traiter des séquences arbitraires d’entrées.

    3. Les réseaux neuronaux récurrents utilisent des informations de séries chronologiques. C’est-à-dire que ce que j’ai parlé en dernier aura un impact sur ce que je parlerai ensuite.

    4. Les RNN sont idéaux pour l’parsing de texte et de parole.

    Les réseaux neuronaux à convolution (CNN) sont conçus pour reconnaître des images. Il a des convolutions à l’intérieur, qui voient les bords d’un object reconnu sur l’image. Les réseaux neuronaux récurrents (RNN) sont conçus pour reconnaître des séquences, par exemple un signal vocal ou un texte. Le réseau récurrent comporte des cycles qui impliquent la présence de mémoire courte dans le réseau. Nous avons appliqué CNN ainsi que RNN en choisissant un algorithme d’apprentissage automatique approprié pour classer les signaux EEG pour le BCI: http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/

    Évidemment, je suis un peu en retard ici, mais j’aimerais attirer l’attention de quiconque s’intéresse aux réseaux neuronaux sur cet article . Non seulement il explique les bases assez bien, mais il vous donne également les documents originaux si vous voulez creuser plus profondément, tout en abordant toutes les architectures Neural Net les plus courantes aujourd’hui.

    ice.cube a très bien répondu aux principales utilisations de chaque

    Ces architectures sont complètement différentes, il est donc plutôt difficile de dire “quelle est la différence”, car le seul point commun est le fait qu’il s’agit de réseaux de neurones.

    Les réseaux convolutifs sont des réseaux avec des “champs de réception” qui se chevauchent et exécutent des tâches de convolution.

    Les réseaux récurrents sont des réseaux avec des connexions récurrentes (allant dans le sens inverse du stream de signal “normal”) qui forment des cycles dans la topologie du réseau.

    Tout d’abord, nous devons savoir que NN récursif est différent de NN récurrent. Par la définition du wiki,

    Un réseau neuronal récursif (RNN) est une sorte de neural network profonds créé en appliquant récursivement le même ensemble de poids sur une structure

    En ce sens, CNN est un type de NN récursif. Par contre, NN récurrent est un type de NN récursif basé sur la différence de temps. Par conséquent, à mon avis, CNN et NN récurrent sont différents, mais les deux sont dérivés de NN récursif.

    En dehors des autres, en CNN, nous utilisons généralement une fenêtre glissante 2D sur un axe et une convolution (avec une image 2d en entrée originale) pour identifier les motifs.

    Dans RNN, nous utilisons la mémoire précédemment calculée. Si vous êtes intéressé, vous pouvez voir, LSTM (Long Short Term Short Memory) qui est un type particulier de RNN.

    CNN et RNN ont tous deux un point en commun, car ils détectent les patterns et les séquences, c’est-à-dire que vous ne pouvez pas mélanger vos bits de données en entrée.

    Réseaux neuronaux à convolution (CNN) pour la vision par ordinateur et réseaux neuronaux récurrents (RNN) pour le traitement du langage naturel.

    Bien que cela puisse s’appliquer dans d’autres domaines, les RNN ont l’avantage de disposer de réseaux capables de faire circuler des signaux dans les deux sens en introduisant des boucles dans le réseau.

    Les réseaux de rétroaction sont puissants et peuvent devenir extrêmement complexes. Les calculs dérivés des entrées précédentes sont renvoyés dans le réseau, ce qui leur donne une sorte de mémoire. Les réseaux de rétroaction sont dynamics: leur état change continuellement jusqu’à ce qu’ils atteignent un point d’équilibre.