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。
