Diferencia entre ANN, CNN y RNN

Red Neuronal Artificial (RNA):

La Red Neural Artificial (ANN), es un grupo de múltiples perceptrones o neuronas en cada capa. ANN también se conoce como red neuronal Feed-Forward porque las entradas se procesan solo en la dirección de avance.
Este tipo de redes neuronales son una de las variantes más simples de las redes neuronales. Pasan información en una dirección, a través de varios Nodes de entrada, hasta que llega al Node de salida. La red puede tener o no capas de Nodes ocultos, lo que hace que su funcionamiento sea más interpretable.
ventajas:

• Almacenamiento de información en toda la red.
• Capacidad para trabajar con conocimientos incompletos.
• Tener tolerancia a fallas.
• Tener una memoria distribuida.

Desventajas:

• Dependencia de hardware.
• Comportamiento inexplicable de la red.
• Determinación de la estructura adecuada de la red.

Red neuronal convolucional (CNN):

Las redes neuronales convolucionales (CNN) son uno de los modelos más populares utilizados en la actualidad. Este modelo computacional de red neuronal utiliza una variación de perceptrones multicapa y contiene una o más capas convolucionales que pueden estar completamente conectadas o agrupadas. Estas capas convolucionales crean mapas de características que registran una región de la imagen que finalmente se divide en rectángulos y se envía para un procesamiento no lineal.
ventajas:

• Muy alta precisión en problemas de reconocimiento de imágenes.
• Detecta automáticamente las funciones importantes sin supervisión humana.
• reparto de peso.

Desventajas:

• CNN no codifica la posición y orientación del objeto.
• Falta de capacidad para ser espacialmente invariable a los datos de entrada.
• Se requieren muchos datos de entrenamiento.

Red neuronal recurrente (RNN):

Las redes neuronales recurrentes (RNN) son más complejas. Guardan la salida de los Nodes de procesamiento y retroalimentan el resultado al modelo (no pasaron la información en una sola dirección). Así es como se dice que el modelo aprende a predecir el resultado de una capa. Cada Node en el modelo RNN actúa como una celda de memoria, continuando con el cómputo y la implementación de las operaciones. Si la predicción de la red es incorrecta, el sistema aprende por sí mismo y continúa trabajando hacia la predicción correcta durante la retropropagación.
ventajas:

• Un RNN recuerda todas y cada una de las informaciones a través del tiempo. Es útil en la predicción de series temporales solo por la función de recordar también entradas anteriores. A esto se le llama Memoria a Largo Corto Plazo.
• Las redes neuronales recurrentes incluso se utilizan con capas convolucionales para ampliar la vecindad efectiva de píxeles.

Desventajas:

• Problemas de explosión y desaparición de gradientes.
• Entrenar a un RNN es una tarea muy difícil.
• No puede procesar secuencias muy largas si usa tanh o relu como función de activación.

Suma de las tres redes en una sola tabla:

ANA	CNN	RNN
Tipo de datos	Datos tabulares, datos de texto	Datos de imagen	Datos de secuencia
Compartir parámetros	No	Sí	Sí
Entrada de longitud fija	Sí	Sí	No
Conexiones recurrentes	No	No	Sí
Gradiente de desaparición y explosión	Sí	Sí	Sí
Relación espacial	No	Sí	No
Actuación	ANN se considera menos poderosa que CNN, RNN.	Se considera que CNN es más poderosa que ANN, RNN.	RNN incluye menos compatibilidad de funciones en comparación con CNN.
Solicitud	Reconocimiento facial y visión artificial.	Reconocimiento facial, digitalización de texto y procesamiento de lenguaje natural.	Conversiones de texto a voz.
Ventajas principales	Tener tolerancia a fallas, Capacidad para trabajar con conocimientos incompletos.	Alta precisión en problemas de reconocimiento de imágenes, Peso compartido.	Recuerda todas y cada una de las informaciones, predicción de series temporales.
Desventajas	Dependencia de hardware, Comportamiento inexplicable de la red.	Se necesitan grandes datos de entrenamiento, no codifique la posición y orientación del objeto.	Gradiente que desaparece, gradiente explosivo.

Este artículo es una contribución de Abhishek Gupta . Escriba comentarios si encuentra algo incorrecto o si desea compartir más información sobre el tema tratado anteriormente.