之前所提到的都是介紹CNN和RNN的一些簡單原理，接下來要提到這兩個分別應用在哪裡了。

CNN:

1. 最簡單最基本的就是運用在圖像的分類和檢索，因為利用卷積層的方法，準確率可以達到很高。
2. 目標的定位:可以去定位所要的物件的位置和其目標大小，像是在影像辨識有提到的自駕車，就是利用CNN去做特徵的擷取和環境的物件辨識的。
3. 目標切割:可以分別物件和背景，甚至可以對物件再進行分類。
4. 人臉辨識、骨骼辨識。
5. 語音辨識:因為環境上嘈雜的背景聲音太多，加上說話的人的音頻、快慢、大小聲，種種因素會讓說話的訊號產生許多的變化性，導致不好去分析，因此卷基層提供我們可以利用它不變性的方式來克服語音訊號的多變性。

RNN:

1. 語言模型:輸入詞語後利用它來預測將會輸出的詞語。
2. 機器翻譯:輸入的是句子，輸出的就是想要翻譯成那個語言的句子。
3. 描述圖片:RNN可以為圖片做一段描述甚至符合人類說話的語句方式也可以和CNN做結合。
   兩者比較總結論:
4. CNN在輸入句子要做翻譯時，輸入句子的長度和輸出的句子長度必須一致，但是像是如果當翻譯句子的長短將會不一樣之時，我們就要透過用RNN的循環來達成目標。
5. RNN 主要是做有時間序列關係的輸出為目的，CNN則主要是做圖像的特徵選取。
6. RNN有記憶性的功能(搭配運用LSTM)，CNN則是做靜態的輸出。
7. 兩者同時使用的時候，能夠表達具有時間關係的對話。

今天是第十五天了，已經完成鐵人賽的一半了，加油!!我們可以的。

參考資料:
https://kknews.cc/zh-tw/code/p9exoyz.html
https://kknews.cc/science/629xlz3.html
https://pcnow.cc/p/JONBZ368bd.html
https://kknews.cc/zh-tw/news/6jnmq3.html
https://easyai.tech/ai-definition/cnn/
https://kknews.cc/zh-tw/code/9mr59a5.html
https://technews.tw/2020/03/27/wevolver-2020-autonomous-vehicle-technology-report/