一、前述
CNN和RNN几乎占据着深度学习的半壁江山，所以本文将着重讲解CNN+RNN的各种组合方式，以及CNN和RNN的对比。
二、CNN与RNN对比
1、CNN卷积神经网络与RNN递归神经网络直观图
2、相同点：
2.1. 传统神经网络的扩展。
2.2. 前向计算产生结果，反向计算模型更新。
2.3. 每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。
3、不同点
3.1. CNN空间扩展，神经元与特征卷积；RNN时间扩展，神经元与多个时间输出计算
3.2. RNN可以用于描述时间上连续状态的输出，有记忆功能，CNN用于静态输出
3. 3. CNN高级100+深度，RNN深度有限
三、CNN+RNN组合方式
1. CNN 特征提取，用于RNN语句生成图片标注。
2. RNN特征提取用于CNN内容分类视频分类。
3. CNN特征提取用于对话问答图片问答。
四、具体应用
1、图片标注
基本思路
目标是产生标注的语句，是一个语句生成的任务，LSTM？
描述的对象大量图像信息，图像信息表达，CNN？
CNN网络中全连接层特征描述图片，特征与LSTM输入结合。
具体步骤：
1.1 模型设计－特征提取
全连接层特征用来描述原图片
LSTM输入：word＋图片特征；输出下一word。
1.2 模型设计－数据准备
1. 图片CNN特征提取
2. 图片标注生成Word2Vect 向量
3. 生成训练数据：图片特征＋第n单词向量：第n＋1单词向量。
1.3 模型训练：
1. 运用迁移学习，CNN特征，语句特征应用已有模型
2. 最终的输出模型是LSTM，训练过程的参数设定：梯度上限(gradient clipping), 学习率调整(adaptivelearning)
3. 训练时间很长。
1.4 模型运行：
1. CNN特征提取
2. CNN 特征＋语句开头，单词逐个预测
2、视频行为识别 ：
视频中在发生什么？
2.1常用方法总结：
RNN用于CNN特征融合
1. CNN 特征提取
2. LSTM判断
3. 多次识别结果分析。
不同的特征不同输出。
或者：所有特征作为一个输出。
2.2 RNN用于CNN特征筛选＋融合：
1. 并不是所有的视频 图像包含确定分类信息
2. RNN用于确定哪些frame 是有用的
3. 对有用的图像特征 融合。
2.3 RNN用于，目标检测：
1. CNN直接产生目标候选区
2. LSTM对产生候选区融合（相邻时刻位置近 似）
3. 确定最终的精确位置。
2.4 多种模型综合：
竞赛／应用中，为了产生最好结果，多采用 多模型ensemble形式。
3、图片／视频问答
3.1 问题种类
3.2 图片问答意义
1. 是对纯文本语言问答系统的扩展
2. 图片理解和语言处理的深度融合
3. 提高人工智能应用范围－观察，思考，表达
本文转自：博客园 - LHBlog，转载此文目的在于传递更多信息，版权归原作者所有。
原文链接：http://www.cnblogs.com/LHWorldBlog/p/9581918.html