Ambas son redes de redes neuronales diferentes que funcionan bien en diferentes tipos de datos. Los RNN son buenos con series de datos (una cosa sucede después de otra) y se usan mucho en problemas que se pueden enmarcar como “lo que sucederá después …”, mientras que los CNN son especialmente buenos en problemas como la clasificación de imágenes.
Los RNN (redes neuronales recurrentes) están formados por un nodo. Se alimenta de datos, luego devuelve un resultado a sí mismo y continúa haciéndolo. Los avances como LSTM (memoria a corto plazo) hacen que sea inteligente recordar cosas que han sucedido en el pasado y encontrar patrones a lo largo del tiempo para que sus próximas conjeturas tengan sentido.
Las CNN (redes neuronales convolucionales) tienen esencialmente tres partes, capas de convolución, capas de agrupación y capas completamente conectadas. Por lo general, toma una matriz 2D (a veces más dimensiones) y genera un resultado.
- ¿Qué tensiones tienen entre sí el diseño de productos y el aprendizaje automático?
- Cómo obtener todos los problemas de investigación en el aprendizaje por refuerzo
- ¿Cuál es el significado de muchas sinapsis entre dos neuronas en la red neuronal?
- Proporcione tres aplicaciones informáticas para las cuales el Aprendizaje automático parece apropiado y tres para las cuales parecen inapropiadas. ¿Incluya una justificación de sentencia para cada una?
- ¿Estamos presenciando las primeras etapas del uso de ML en la industria o cree que la aplicación de ML hacia la industria ya está muy extendida?
La convolución comienza en la parte superior izquierda y toma una pequeña ventana con un cierto ancho y alto y realiza una operación sobre eso, la operación generalmente es una multiplicación de matriz donde la matriz para multiplicar por se decide a través del descenso del gradiente para obtener los mejores resultados finales. Luego se mueve de acuerdo con un parámetro de zancada y hace lo mismo. Hace esto a través de la imagen y genera una nueva imagen.
La agrupación es similar en el sentido de que descompone la imagen usando ventanas pequeñas; sin embargo, la operación que ejecuta en esta pequeña ventana es generalmente (promedio, máximo o mínimo) para combinar la pequeña ventana en un solo píxel.
Después de un conjunto de convoluciones y agrupaciones, la salida final se coloca a través de una capa totalmente conectada, que es una red neuronal de alimentación convencional para generar un resultado.
Puede pensar en las capas de agrupación y convolución como una forma de preprocesamiento de imagen similar a lo que se hizo en la visión por computadora tradicional, excepto que los parámetros como la matriz en cada capa de convolución se deciden por el gradiente de descenso.