Разница между ANN, CNN и RNN

Искусственная нейронная сеть (ИНС):

Искусственная нейронная сеть (ИНС) - это группа из нескольких перцептронов или нейронов на каждом уровне. ИНС также известна как нейронная сеть с прямой связью, поскольку входные данные обрабатываются только в прямом направлении.
Этот тип нейронных сетей является одним из самых простых вариантов нейронных сетей. Они передают информацию в одном направлении через различные входные узлы, пока не попадут в выходной узел. Сеть может иметь или не иметь скрытых узловых слоев, что делает их функционирование более понятным.
Преимущества:

• Хранение информации по всей сети.
• Умение работать с неполными знаниями.
• Имея отказоустойчивость.
• Распределенная память.

Недостатки:

• Аппаратная зависимость.
• Необъяснимое поведение сети.
• Определение правильной сетевой структуры.

Сверточная нейронная сеть (CNN):

Сверточные нейронные сети (CNN) - одна из самых популярных моделей, используемых сегодня. Эта вычислительная модель нейронной сети использует вариант многослойных персептронов и содержит один или несколько сверточных слоев, которые могут быть либо полностью связаны, либо объединены. Эти сверточные слои создают карты характеристик, которые записывают область изображения, которая в конечном итоге разбивается на прямоугольники и отправляется для нелинейной обработки.
Преимущества:

• Очень высокая точность в задачах распознавания изображений.
• Автоматически обнаруживает важные функции без какого-либо наблюдения человека.
• Разделение веса.

Недостатки:

• CNN не кодирует положение и ориентацию объекта.
• Отсутствие пространственной инвариантности входных данных.
• Требуется много обучающих данных.

Рекуррентная нейронная сеть (RNN):

Рекуррентные нейронные сети (RNN) более сложны. Они сохраняют вывод узлов обработки и возвращают результат в модель (они не передавали информацию только в одном направлении). Говорят, что именно так модель учится предсказывать результат слоя. Каждый узел в модели RNN действует как ячейка памяти, продолжая вычисления и выполнение операций. Если прогноз сети неверен, то система самообучается и продолжает работать над правильным прогнозом во время обратного распространения ошибки.
Преимущества:

• RNN запоминает каждую информацию во времени. Это полезно при прогнозировании временных рядов только из-за функции запоминания предыдущих входных данных. Это называется долговременной кратковременной памятью.
• Рекуррентные нейронные сети используются даже со сверточными слоями для расширения эффективного окружения пикселей.

Недостатки:

• Проблемы исчезновения и взрыва градиента.
• Обучение RNN - очень сложная задача.
• Он не может обрабатывать очень длинные последовательности, если в качестве функции активации используется tanh или relu.

Суммирование всех трех сетей в единую таблицу:

Эта статья предоставлена Абхишеком Гуптой . Пожалуйста, напишите комментарии, если вы обнаружите что-то неправильное, или вы хотите поделиться дополнительной информацией по теме, обсужденной выше.