USharingCNN和RNN是深度学习中运用最多的两种深度学习网络结构，可能有些同学还不太清楚这两种网络的区别，今天刚好看到了一张图可以比较清楚的解释CNN及RNN的区别。
首先，CNN对于输入数据的维度约束是比较严重的，比如用CNN训练一个图像识别的model，训练的图片像素是48*48的，那么在预测的时候，也需要把所有的预测图片转成48*48。这个约束在图像识别方面可能表现的并不是那么明显，人们可以说：大不了预测的时候我做个图片大小转换不就得了？我们再思考另一个场景，比如用CNN去做一个智能问答系统，CNN会需要所有的问答数据都是固定的长度，这就很可怕了，这种模型会让问答变成对对子，必须每句话长短固定。而RNN没有这种约束。
另外，RNN更多的考虑了神经元之间的联系，比如我们训练一个翻译系统，那么对于一个短语的翻译一定要考虑前因后果，这就需要模型对于数据输入的前后因素都要考虑，CNN并不具备这样的特点。
现在再用一张图表示CNN和RNN的具体应用：
one to one：表示的是CNN网络的场景，从固定的输入到固定的输出
one to many：RNN的场景，序列输出，有点像看图说话，例如固定了输入的图片，然后输出一段序列描述这个图的意义
many to one：RNN的场景，序列输入，比如我们做语义情感分析，输入一串不定长度的话，返回情绪
many to many：RNN的场景，常见的sequence to sequence，比如之前的一个文章到的，通过周杰伦的歌词数据，模仿写出一首周杰伦风格的歌词，这种场景的输入和输出的长度都是不定的。
