卷积神经网络 (CNN) 是前馈模型还是反向传播模型。通过比较 DR.Yann 的博客和 CNN 的维基百科定义，我得到了这种困惑。
【问题讨论】：
标签： neural-network computer-vision deep-learning conv-neural-network
卷积神经网络是一种结构化神经网络，其中前几层稀疏连接以处理信息（通常是视觉信息）。
前馈网络被定义为其中不包含任何循环。如果它有循环，它就是一个循环神经网络。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 层和第 3 层输出来构建。循环神经网络将在第 1 层获取输入，馈送到第 2 层，但随后第 2 层可能同时馈送到第 1 层和第 3 层。由于“较低”层将其输出馈送到“较高”层，因此它创建了一个循环在神经网络内部。
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，而是暗示如何更新输入权重。
在训练前馈网络时，将信息传递到网络中，并将生成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，使其朝着正确分类的方向进行。这是训练的反向传播部分。
因此，CNN 是一个前馈网络，但通过反向传播进行训练。
【讨论】：
类似于tswei的回答，但可能更简洁。
卷积神经网络是一种前馈 nn 架构，它使用多组权重（过滤器）在输入空间中“滑动”或卷积，以分析与单个节点激活相对的距离像素关系。
反向传播是一种通过将误差从输出层“反向传播”到输入层（包括隐藏层）来训练神经网络的方法。
【讨论】：
总之，
CNN 是前馈神经网络。
反向传播是一种用于训练神经网络的技术。
【讨论】：