CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别？

1，DNN:有一个问题——不可能对时间序列的变化建模。然而，样本的时间序列对于自然语言处理、语音识别、手写识别等应用非常重要。为了满足这种需求，另一种神经网络结构——循环神经网络RNN应运而生。

2.CNN:每一层神经元的信号只能传播到下一层，每个时刻对样本的处理是独立的，所以也叫前馈神经网络。

3.RNN:神经元的输出在下一个时间戳可以直接影响自身，也就是I层神经元在m时刻的输入，除了I层神经元在该时刻的输出，还包括其自身在(m-1)时刻的输出！

介绍

神经网络技术起源于五六十年代，当时叫感知器，它有一个输入层、一个输出层和一个隐含层。输入的特征向量通过隐层变换到达输出层，在输出层得到分类结果。早期感知器的发起人是罗森布拉特。

在实际应用中，所谓的深度神经网络DNN往往结合了许多已知的结构，包括卷积层或LSTM单元。