㈠ 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
如下：
1、DNN：存在着一个问题——无法对时间序列上的变化进行建模。然而，样本出现的时间顺序对于自然语言处理、语音识别、手写体识别等应用非常重要。对了适应这种需求，就出现了另一种神经网络结构——循环神经网络RNN。
2、CNN：每层神经元的信号只能向上一层传播，样本的处理在各个时刻独立，因此又被称为前向神经网络。
3、RNN：神经元的输出可以在下一个时间戳直接作用到自身，即第i层神经元在m时刻的输入，除了（i-1）层神经元在该时刻的输出外，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上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。早期感知机的推动者是Rosenblatt。
在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括卷积层或是LSTM单元。
㈡ 有哪些LSTM和RNN网络的教
LSTM的三个门输出数字和向量的情况都有。门（input，forget，output）输出的维度和cell状态的维度一致即可。也就是说三个门的输出分别控制被控制向量（cell input，cell（t-1），cell（t））中的元素。举个例子，如果cell状态的维度是1，那么被控制向量（cell input，cell（t-1），cell（t））的维度也都是1，那么三个门的输出都是0-1之间的数字（选用sigmoid激活函数）；如果cell状态的维度是N，那么被控制向量（cell input，cell（t-1），cell（t））的维度也分别都是N，那么三个门的输出都是0-1之间的向量（选用sigmoid激活函数），且门输出向量的维度都是N。
㈢ elman神经网络和rnn有什么关系
深度学习是多层的神经网络。RNN和elman神经网络是深度学习的主要内容之一。深度学习绝不仅仅是多层的神经网络。网络必须拥有一定的”记忆能力”。为了赋予网络这样的记忆力，一种特殊结构的神经网络——递归神经网络(Recurrent Neural Network)便应运而生了。Elman神经网络是 J. L. Elman于1990年首先针对语音处理问题而提出来的，是一种典型的局部回归网络( global feed forward local recurrent)。
㈣ rnn 是循环神经网络还是递归神经网络
RNN包括循环神经网络和递归神经网络
㈤ 如何有效的区分和理解RNN循环神经网络与递归神经网络
NN建立在与FNN相同的计算单元上，以牺牲计算的功能性为代价来简化这一训练过程，其中信息从输入单元向输出单元单向流动，在这些连通模式中并不存在不定向的循环。FNN是建立在层面之上。
因此，为了创建更为强大的计算系统，我们允许RNN打破这些人为设定强加性质的规定，神经元在实际中是允许彼此相连的，两者之间区别在于：组成这些神经元相互关联的架构有所不同，我们还是加入了这些限制条件。事实上：RNN无需在层面之间构建，同时定向循环也会出现。尽管大脑的神经元确实在层面之间的连接上包含有不定向循环
㈥ 关于循环神经网络RNN,隐藏层是怎么来的
RNN的隐藏层也可以叫循环核，简单来说循环核循环的次数叫时间步，循环核的个数就是隐藏层层数。
循环核可以有两个输入（来自样本的输入x、来自上一时间步的激活值a）和两个输出（输出至下一层的激活值h、输出至本循环核下一时间步的激活值a），输入和输出的形式有很多变化，题主想了解可以上B站搜索“吴恩达 深度学习”其中第五课是专门对RNN及其拓展进行的讲解，通俗易懂。
B站链接：网页链接
㈦ 循环卷积网络RNN,时间步为1的网络，每次刚开始训练的ht都是零吗如果是这样的话，是否为无记忆功能
要解答这个问题，需要正确的认识RNN的模型。
RNN模型
上图是一个基本的RNN模型构架（去除偏置），如果我们按照时间线展开后，会发现对于某个时间点t来说，其输入为上一个时间点t-1的信息，输出为下一个时间点t+1使用，RNN之所以具有记忆功能，是因为这三个时间点所使用的W（即权重矩阵）均为同一矩阵，这样就能实现在时间上共享不同序列长度和不同位置所具有的统计信息，即在t+1时刻的输入中，事实上包含了t时刻与t-1时刻的信息（可以手动展开t+1时刻的输入值来进行观察）。
那么在开始训练的阶段，如何初始化初始状态呢？
由于初始状态的前一个时间点是一个什么信息都没有的状态，所以方案一般有两种
（1）大小一致的全0矩阵，
（2）大小一致正态分布随机矩阵，
前者直观上可以理解为大脑空空如也的状态，后者是参数初始化的常见操作，但无论是哪种方式，在模型开始训练后，参数矩阵都会随着时间步的推进在反向传播过程中发生更新，RNN所具有记忆功能并没有损失。
㈧ CNN、RNN、DNN的内部网络结构有什么区别
从广义上来说，NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括卷积层或是LSTM单元。但是就题主的意思来看，这里的DNN应该特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。
因此，题主一定要将DNN、CNN、RNN等进行对比，也未尝不可。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别。神经网络技术起源于上世纪五、六十年代，当时叫感知机(perceptron)，拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。
早期感知机的推动者是Rosenblatt。(扯一个不相关的：由于计算技术的落后，当时感知器传输函数是用线拉动变阻器改变电阻的方法机械实现的，脑补一下科学家们扯着密密麻麻的导线的样子…)但是，Rosenblatt的单层感知机有一个严重得不能再严重的问题，即它对稍复杂一些的函数都无能为力(比如最为典型的“异或”操作)。
连异或都不能拟合，你还能指望这货有什么实际用途么。随着数学的发展，这个缺点直到上世纪八十年代才被Rumelhart、Williams、Hinton、LeCun等人(反正就是一票大牛)发明的多层感知机(multilayer perceptron)克服。多层感知机，顾名思义，就是有多个隐含层的感知机。
㈨ 循环神经网络RNN怎么训练
循环神经⽹络是为更好地处理时序信息而设计的
㈩ 描述计算机视觉问题中卷积神经网络（CNN）的基本概念，并描述CNN如何实现这些概念。
摘要 你好，卷积是CNN的核心，是用卷积核扫描图像，得到相应的特征。卷积核可以理解成过滤器（或图像扫描器、特征扫描器、局部感受野）。这里先不涉及到卷积的具体操作，只介绍卷积的简单概念。在BPNN中，前后层神经元的连接是“全连接”，即每个神经元都与前一层所有神经元相连，而卷积是每个神经元只与上一层的一部分神经元相连希望我的回答能帮到你