CNN前向传递或反向传播模型

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的博客和维基百科对CNN的定义而感到困惑。

- Christopher Daniel

---

CNN是前馈的。通过向后传递误差，CNN进行学习。 - viceriel

一个前馈模型也可以同时是一个反向传播模型... 这通常是情况。 - Thomas Wagenaar

Answer 1

卷积神经网络是一种结构化的神经网络，前几层连接稀疏，以处理信息（通常是视觉信息）。

前馈神经网络被定义为其中不包含循环的网络。如果有循环，则为递归神经网络。例如，想象一个三层网络，其中第一层是输入层，第三层是输出层。前馈网络的结构是：第一层接收输入，将其传递给第二层，第二层再传递到第三层进行输出。递归神经网络会在第一层接收输入后，将其传递到第二层，但第二层可能同时将其传递到第一层和第三层。由于“低层”将其输出传递给“高层”，因此在神经网络内部创建了一个循环。

然而，反向传播是神经网络训练的方法。它与网络的结构无关，而是涉及如何更新输入权重。

在训练前馈网络时，信息被传入网络，得到分类结果后与已知的训练样本进行比较。如果网络的分类错误，则通过沿正确分类方向向后调整权重。这就是训练中的反向传播部分。

因此，CNN是一种前馈网络，但是通过反向传播进行训练。

- tswei

Answer 2

简而言之，CNN 是前馈神经网络。反向传播是训练神经网络的一种技术。

- Ashiq Imran

Answer 3

类似于tswei的回答，但可能更简明。

卷积神经网络是一种前馈神经网络架构，它使用多组权重（滤波器）在输入空间上“滑动”或卷积，以分析距离像素关系而不是各个节点的激活。

反向传播是一种通过将误差从输出层向输入层（包括隐藏层）“反向传播”来训练神经网络的方法。

- Jjoseph