CNN前馈或后向传播模型

Question

卷积神经网络（CNN）是前馈模型还是反向传播模型。我通过比较DR.Yann的博客和CNN的维基百科定义来解决这个问题。

Answer 1

卷积神经网络是一种结构化的神经网络，其中前几层稀疏地连接起来以处理信息（通常是可视的）。

前馈网络被定义为其中不包含循环。如果它有循环，它是一个递归神经网络。例如，想象一个三层网络，其中第1层是输入层，第3层是输出层。前馈网络将由第1层获取输入，将它们馈送到第2层，第2层馈送到第3层以及第3层输出来构建。递归神经网络将在第1层获取输入，馈送到第2层，但是然后第2层可以馈送到第1层和第3层。由于＆＃34;较低的＆＃34;图层将其输出馈送到更高的＆＃34;层，它在神经网络内部创建一个循环。

然而，反向传播是训练神经网络的方法。它与网络的结构没有太大关系，而是暗示了如何更新输入权重。

在培训前馈网络时，信息将传递到网络中，并将得到的分类与已知的训练样本进行比较。如果网络的分类不正确，则通过网络向后调整权重，使其具有正确的分类方向。这是培训的后向传播部分。

CNN是一个前馈网络，但是通过反向传播进行训练。

Answer 2

类似于tswei的答案，但也许更简洁。

卷积神经网络是一种前馈nn架构，它使用多组权重（滤波器）在输入空间“滑动”或卷积，以分析与单个节点激活相对的距离像素关系。

向后传播是一种通过将错误从输出层“反向传播”到输入层（包括隐藏层）来训练神经网络的方法。

Answer 3

简而言之，
CNN是前馈神经网络。
向后传播是一种用于训练神经网络的技术。