DNN、CNN、RNN的区别

 

参考1：CNN、RNN、DNN区别

参考2：一文读懂 CNN、DNN、RNN 内部网络结构区别

 

一张图解释所有：

感知机(输入层、输出层、一个隐藏层)-->不能解决复杂的函数-->神经网络NN出现(多层感知机出现，使用sigmoid或tanh、反向传播BP算法)-->层数加深，出现局部最优和梯度消失等问题-->深度学习提出(利用预训练方式缓解局部最优问题)-->DNN出现(克服梯度消失，ReLU和Maxout代替sigmoid)

DNN->全连接DNN出现参数膨胀问题-->CNN出现(卷积神经网络，参数共享)

DNN-->无法对时间序列进行建模-->RNN出现(循环神经网络，普通的全连接网络或CNN，是前向神经网络，RNN可以直接将输出作为下一时间段的输入,深度是时间的长度)

RNN-->依然存在梯度消失的问题(发生在时间轴上)，无法解决长时间依赖的问题-->LSTM出现(长短时记忆单元，通过cell门实现时间上的记忆功能，防止梯度消失)

后来又出现了双向RNN，双向LSTM，能能够同时利用历史和未来的信息。

 

 结束。