TensorFlow - diferença CNN e RNN

Neste capítulo, vamos nos concentrar na diferença entre CNN e RNN -

CNN	RNN
É adequado para dados espaciais, como imagens.	RNN é adequado para dados temporais, também chamados de dados sequenciais.
A CNN é considerada mais poderosa do que a RNN.	O RNN inclui menos compatibilidade de recursos quando comparado ao CNN.
Essa rede aceita entradas de tamanho fixo e gera saídas de tamanho fixo.	RNN pode lidar com comprimentos de entrada / saída arbitrários.
CNN é um tipo de rede neural artificial feed-forward com variações de perceptrons multicamadas projetadas para usar quantidades mínimas de pré-processamento.	RNN, ao contrário de redes neurais de alimentação direta - pode usar sua memória interna para processar sequências arbitrárias de entradas.
CNNs usam padrão de conectividade entre os neurônios. Isso é inspirado pela organização do córtex visual animal, cujos neurônios individuais são organizados de tal maneira que respondem a regiões sobrepostas que formam o campo visual.	As redes neurais recorrentes usam informações de série temporal - o que um usuário falou por último terá impacto sobre o que ele falará em seguida.
CNNs são ideais para processamento de imagens e vídeo.	Os RNNs são ideais para análise de texto e fala.

A ilustração a seguir mostra a representação esquemática da CNN e RNN -