CNN：
核心是模拟人的视觉特征，认为视觉不止聚焦于感兴趣的像素上，还对周围的空间产生响应，解决了图像空间相关性问题。同时，在局部采用共享权值，以降低模型训练难度。卷积操作具有位移、缩放以及其它形式扭曲不变性，这极大地降低了CNN对目标在图像中的角度、缩放和扭曲的依赖性和敏感度。 池化操作对局部区域提取显著特征，压缩图像特征数据，降低数据维度，提取有用深层数据特征
基本操作：
Xj是第j个神经元的值，f为激活函数，Mj为神经元集合，Wij表示相连两层神经元连接的权重值，bj为偏置值
RNN
RNN是广泛用于时序数据建模的神经元结构，思想是网络会对前面一层的数据记忆并且用于当前层输出的计算中(隐藏层的输入不仅包括输入层的输出，还包括上一时刻的输出)，即隐藏层之间是有连接的。
基本操作
对于每个隐藏状态s，包含上一个时刻的输入s-1和输入层的x，输出的y依赖于h，w是输入输出之间的权重值，b是偏置值
一般可用一层CNN用于特征提取和数据压缩，多个RNN层用于时序时间建模，再用全连接层映射到对应的识别表
