本文共 883 字，大约阅读时间需要 2 分钟。

随着图像识别技术的发展，我们的现实生活中已经有可以对猫、狗进行分辨的机器了，即给机器一张猫的图片，机器可以正确的预测图片上的动物是猫。那么，机器是怎么做到的呢？

在图像识别领域，应用的最多的就是深度学习，而深度学习又分为不同的模型，如前馈神经网络（feedforward neural network，DNN）、卷积神经网络（Convolutional Neural Networks，CNN）、循环神经网络（Recurrent Neural Network，RNN）等。使用不同的模型，即让机器使用不同的方法对猫或狗的图片进行预测，取得的预测效果也有所不同。

那么这些不同的模型，它们之间有什么区别和联系呢？

要说深度学习的各种不同的模型，首先要先说一下这些模型的共有基础组成部分，那就是深度学习中的人工神经元，类似于生物学中的神经元，深度学习中的人工神经元可以看作是一个数学模型，多个神经元连接在一起就构成了神经网络。

DNN是一种最简单的神经网络。各个神经元分别属于不同的层，每个神经元和前一层的所有神经元相连接，信号从输入层向输出层单向传播。

CNN是一种通过卷积计算的前馈神经网络，其是受生物学上的感受野机制提出的，具有平移不变性，使用卷积核，最大的应用了局部信息，保留了平面结构信息。

https://www.sohu.com/a/3302020910_120045299

DNN以向量形式输入，未考虑平面的结构信息，而在图像领域和自然语言处理领域，平面信息很重要，因此CNN比DNN处理结果更好。由于DNN、CNN的输入、输出长度固定，而自然语言处理中的语句长度通常不固定，所以DNN、CNN处理这种问题效率较低，且无法处理时序相关的序列问题。为了解决这些问题，出现了循环神经网络RNN。

RNN的输入是序列数据，核心思想是将处理问题在时序上分解为一系列相同的“单元”，单元的神经网络可以在时序上展开，所有循环单元按照链式连接，且能将上一时刻的结果传递给下一时刻。但是RNN存在长期依赖问题，即距离当前节点越远的节点对当前节点处理的影响会变得越来越小。

转载地址：http://wifen.baihongyu.com/