本篇內(nèi)容主要講解“CNN與RNN有哪些區(qū)別”，感興趣的朋友不妨來看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“CNN與RNN有哪些區(qū)別”吧!

10年的翁牛特網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。成都全網(wǎng)營(yíng)銷推廣的優(yōu)勢(shì)是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整翁牛特建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)公司從事“翁牛特網(wǎng)站設(shè)計(jì)”,“翁牛特網(wǎng)站推廣”以來，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

一、CNN與RNN對(duì)比

1. CNN卷積神經(jīng)網(wǎng)絡(luò)與RNN遞歸神經(jīng)網(wǎng)絡(luò)直觀圖

2. 相同點(diǎn)：

• 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展。

• 前向計(jì)算產(chǎn)生結(jié)果，反向計(jì)算模型更新。

• 每層神經(jīng)網(wǎng)絡(luò)橫向可以多個(gè)神經(jīng)元共存,縱向可以有多層神經(jīng)網(wǎng)絡(luò)連接。

3. 不同點(diǎn)

• CNN空間擴(kuò)展，神經(jīng)元與特征卷積;RNN時(shí)間擴(kuò)展，神經(jīng)元與多個(gè)時(shí)間輸出計(jì)算

• RNN可以用于描述時(shí)間上連續(xù)狀態(tài)的輸出，有記憶功能，CNN用于靜態(tài)輸出

•  CNN高級(jí)100+深度，RNN深度有限

二、CNN+RNN組合方式

1. CNN 特征提取，用于RNN語(yǔ)句生成圖片標(biāo)注。

2. RNN特征提取用于CNN內(nèi)容分類視頻分類。

3. CNN特征提取用于對(duì)話問答圖片問答。

三、具體應(yīng)用

1. 圖片標(biāo)注

基本思路：

• 目標(biāo)是產(chǎn)生標(biāo)注的語(yǔ)句，是一個(gè)語(yǔ)句生成的任務(wù)，LSTM?

• 描述的對(duì)象大量圖像信息，圖像信息表達(dá)，CNN?

CNN網(wǎng)絡(luò)中全連接層特征描述圖片，特征與LSTM輸入結(jié)合。

具體步驟：

(1) 模型設(shè)計(jì)-特征提取

全連接層特征用來描述原圖片

LSTM輸入：word+圖片特征;輸出下一word。

(2) 模型設(shè)計(jì)-數(shù)據(jù)準(zhǔn)備

• 圖片CNN特征提取

• 圖片標(biāo)注生成Word2Vect 向量

• 生成訓(xùn)練數(shù)據(jù)：圖片特征+第n單詞向量：第n+1單詞向量。

(3) 模型訓(xùn)練：

• 運(yùn)用遷移學(xué)習(xí)，CNN特征，語(yǔ)句特征應(yīng)用已有模型

• 最終的輸出模型是LSTM，訓(xùn)練過程的參數(shù)設(shè)定：梯度上限(gradient clipping),  學(xué)習(xí)率調(diào)整(adaptivelearning)

• 訓(xùn)練時(shí)間很長(zhǎng)。

(4) 模型運(yùn)行：

• CNN特征提取

• CNN 特征+語(yǔ)句開頭，單詞逐個(gè)預(yù)測(cè)

2. 視頻行為識(shí)別 ：

視頻中在發(fā) 生什么?

常用方法總結(jié)：

(1) RNN用于CNN特征融合：

• CNN 特征提取

• LSTM判斷

• 多次識(shí)別結(jié)果分析。

不同的特征不同輸出。

或者：所有特征作為一個(gè)輸出。

(2) RNN用于CNN特征篩選+融合：

• 并不是所有的視頻 圖像包含確定分類信息

• RNN用于確定哪些frame 是有用的

• 對(duì)有用的圖像特征 融合。

(3) RNN用于目標(biāo)檢測(cè)：

• CNN直接產(chǎn)生目標(biāo)候選區(qū)

• LSTM對(duì)產(chǎn)生候選區(qū)融合(相鄰時(shí)刻位置近 似)

• 確定最終的精確位置。

(4) 多種模型綜合：應(yīng)用中，為了產(chǎn)生***結(jié)果，多采用多模型ensemble形式。

到此，相信大家對(duì)“CNN與RNN有哪些區(qū)別”有了更深的了解，不妨來實(shí)際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！

當(dāng)前題目：CNN與RNN有哪些區(qū)別
URL地址：http://chinadenli.net/article48/jiosep.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供域名注冊(cè)、網(wǎng)頁(yè)設(shè)計(jì)公司、網(wǎng)站設(shè)計(jì)公司、商城網(wǎng)站、響應(yīng)式網(wǎng)站、做網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)