卷积神经网络和循环神经网络的区别

神经网络的基本原理是：一层中的所有神经元都接受一个输入，将其乘以一个权重，然后经过神经元的偏差进行调整，最后用激励函数把输出值标准化，得到一个神经元的输出。最后将一层中所有神经元的输出相加得到该层的输出。比如卷积神经网络，在pytorch中初始化一个卷积层，首先要确定该层卷积核的个数，假设每个卷积核的大小都是3*3，那么一个卷积核通过在输入上进行滑动，得到该卷积核的输出，最后将所有卷积核的输出相加得到最后的输出。

CNN：每层神经元的信号只能向上一层传播，样本的处理在各个时刻独立，因此又被称为前向神经网络。
RNN：神经元的输出可以在下一个时间戳直接作用到自身，即第i层神经元在m时刻的输入，除了（i-1）层神经元在该时刻的输出外，还包括其自身在（m-1）时刻的输出！
CNN:借助卷积核（kernel）提取特征后，送入后续网络（如全连接网络Dense）进行分类、目标检测等操作。CNN借助卷积核从空间维度提取信息，卷积核参数空间共享。
RNN：借助循环核（cell）提取特征后，送入后续网络进行预测等操作。RNN借助循环核从时间维度提取信息，循环核参数时间共享。（循环核具有记忆力，通过不同时刻的参数共享&