neural-network - ppt - redes neuronales convolucionales pdf

¿Cuál es la diferencia entre las redes neuronales recurrentes y convolucionales?

Question

Soy nuevo en el tema de las redes neuronales. Encontré los dos términos red neuronal convolucional y red neuronal recurrente .

Me pregunto si estos dos términos se están refiriendo a lo mismo o, de lo contrario, ¿cuál sería la diferencia entre ellos?

Answer 1

Aparte de otros, en CNN generalmente utilizamos una ventana deslizante 2d al cuadrado a lo largo de un eje y convolute (con la imagen 2d de entrada original) para identificar patrones.

En RNN usamos la memoria previamente calculada. Si está interesado, puede ver, LSTM (Long Long-Term Memory), que es un tipo especial de RNN.

Tanto CNN como RNN tienen un punto en común, ya que detectan patrones y secuencias, es decir, no puede mezclar sus bits de datos de entrada individuales.

Answer 2

Estas arquitecturas son completamente diferentes, por lo que es bastante difícil decir "cuál es la diferencia", ya que lo único en común es el hecho de que ambas son redes neuronales.

Las redes convolucionales son redes con "campos de recepción" superpuestos que realizan tareas de convolución.

Las redes recurrentes son redes con conexiones recurrentes (que van en la dirección opuesta al flujo de señal "normal") que forman ciclos en la topología de la red.

Answer 3

La diferencia entre CNN y RNN es la siguiente:

CNN:

1. CNN toma una entrada de tamaño fijo y genera salidas de tamaño fijo.

2. CNN es un tipo de red neuronal artificial de retroalimentación: son variaciones de perceptrones multicapa que están diseñados para usar cantidades mínimas de preprocesamiento.

3. Las CNN usan un patrón de conectividad entre sus neuronas y están inspiradas en la organización de la corteza visual animal, cuyas neuronas individuales están dispuestas de tal manera que responden a regiones superpuestas que embaldosan el campo visual.

4. Las CNN son ideales para el procesamiento de imágenes y video.

RNN:

1. RNN puede manejar longitudes arbitrarias de entrada / salida.

2. RNN a diferencia de las redes neuronales feedforward: pueden usar su memoria interna para procesar secuencias arbitrarias de entradas.

3. Las redes neuronales recurrentes usan información de series de tiempo. es decir, lo que hablé por última vez afectará lo que voy a hablar a continuación.

4. Las RNN son ideales para el análisis de texto y voz.

Answer 4

Las redes neuronales convolucionales (CNN) están diseñadas para reconocer imágenes. Tiene convoluciones dentro, que ven los bordes de un objeto reconocido en la imagen. Las redes neuronales recurrentes (RNN) están diseñadas para reconocer secuencias, por ejemplo, una señal de voz o un texto. La red recurrente tiene ciclos dentro que implica la presencia de poca memoria en la red. Hemos aplicado tanto CNN como RNN, eligiendo un algoritmo apropiado de aprendizaje automático para clasificar señales de EEG para BCI: http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/

Answer 5

Obviamente, llegué un poco tarde aquí, pero me gustaría señalar a cualquier persona que esté interesada en las redes neuronales en este artículo . No solo explica los conceptos básicos bastante bien, sino que también le proporciona los documentos originales si desea profundizar, al tiempo que aborda todas las arquitecturas de Neural Net más comunes en la actualidad.

ice.cube respondió muy bien con respecto a los principales usos de cada

Answer 6

Primero, necesitamos saber que el NN recursivo es diferente del NN recurrente. Por definición de wiki,

Una red neuronal recursiva (RNN) es un tipo de red neuronal profunda creada al aplicar el mismo conjunto de pesas recursivamente sobre una estructura

En este sentido, CNN es un tipo de NN recursiva. Por otro lado, NN recurrente es un tipo de NN recursiva basado en la diferencia de tiempo. Por lo tanto, en mi opinión, CNN y NN recurrente son diferentes, pero ambos se derivan de NN recursivo.

Answer 7

Redes neuronales convolucionales (CNN) para visión artificial y redes neuronales recurrentes (RNN) para el procesamiento del lenguaje natural.

Aunque esto se puede aplicar en otras áreas, las RNN tienen la ventaja de redes que pueden tener señales que viajan en ambas direcciones al introducir bucles en la red.

Las redes de comentarios son poderosas y pueden volverse extremadamente complicadas. Los cálculos derivados de la entrada anterior se vuelven a introducir en la red, lo que les proporciona un tipo de memoria. Las redes de retroalimentación son dinámicas: su estado cambia continuamente hasta que alcanzan un punto de equilibrio.