Сверточные (CNN) и рекуррентные (RNN) нейросети — две фундаментальные архитектуры, созданные для разных типов данных.
Сверточные нейросети (CNN)
- Для чего: обработка пространственных данных — изображений, видео, медицинских снимков.
- Как работают: используют свёрточные фильтры — маленькие окна, которые скользят по изображению, выделяя края, текстуры, формы.
- Особенность: нечувствительны к положению объекта (благодаря пулингу), что делает их устойчивыми к сдвигам.
- Примеры: распознавание лиц, диагностика по МРТ, автопилоты.
Рекуррентные нейросети (RNN)
- Для чего: обработка последовательностей — текста, речи, временных рядов.
- Как работают: имеют петлю обратной связи, позволяющую «помнить» предыдущие шаги. На каждом шаге сеть учитывает текущий ввод + скрытое состояние из прошлого.
- Особенность: учитывают порядок и контекст («кот съел мышь» ≠ «мышь съела кота»).
- Примеры: машинный перевод, генерация текста, прогнозирование акций.
Важно:
- Современные модели часто комбинируют оба подхода (например, CNN для извлечения признаков из кадров + RNN для анализа видео),
- Для текста сейчас чаще используют трансформеры (без рекуррентности), но RNN всё ещё актуальны для коротких последовательностей.
Таким образом, выбор архитектуры зависит от природы данных: если важна структура в пространстве — CNN, если порядок во времени — RNN.
