卷积神经网络(CNN)是前馈模型或反向传播模型。通过比较DR.Yann博客和CNN的Wikipedia定义，我感到困惑。
最佳答案
卷积神经网络是结构化的神经网络，其中前几层是稀疏连接的，以便处理信息(通常是可视的)。
前馈网络定义为其中不包含任何循环。如果具有周期，则为循环神经网络。例如，假设一个三层网络，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，将其馈入第2层，第2层馈入第3层和第3层输出构成。递归神经网络将在第1层接受输入，然后输入第2层，但随后第2层可能同时供给第1层和第3层。由于“较低”层将其输出输入“较高”层，因此会产生一个循环在神经网络内部。
但是，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。
训练前馈网络时，会将信息传递到网络中，然后将所得分类与已知的训练样本进行比较。如果网的分类不正确，则权重将通过网向后调整，以使其具有正确的分类。这是训练的向后传播部分。
因此，CNN是前馈网络，但通过反向传播进行训练。
关于neural-network - CNN前馈或反向传播模型，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42790089/