请对比卷积神经网络（CNN）与循环神经网络（RNN）在网络结构设计、输入数据类型、参数共享方式以及典型应用场景等方面存在哪些关键差异？
考察说明
考察对CNN和RNN核心机制与适用领域的理解，能否清晰区分两者的设计动机与使用场景。
回答思路
- 【回答框架 1】CNN基于卷积核滑动扫描局部区域，自动提取空间局部特征，通过权值共享降低参数量，适合图像等网格结构数据。RNN引入循环连接，隐藏状态沿时间步传递，专门建模序列数据的时序依赖，适合文本、语音等序列数据。
- 【回答框架 2】两种网络处理的数据维度不同：CNN主要处理二维或多维网格数据，如像素矩阵；RNN主要处理一维序列数据，如句子、时间序列。RNN的输入输出可以是变长序列，具有灵活的序列建模能力。
- 【回答框架 3】卷积核在不同位置共享参数，参数数量与输入尺寸无关，训练较稳定；RNN在同一时间步内共享参数，但梯度随时间步传递容易产生梯度消失或梯度爆炸，常采用LSTM、GRU缓解，并且RNN受限于长距离依赖，CNN则可堆叠深层网络扩大感受野。
- 【回答框架 4】应用场景上，CNN常用于图像分类、目标检测、视频分析等；RNN常用于语言建模、机器翻译、情感分析、时间序列预测等。近年来Transformer在序列任务上逐渐取代RNN，但在图像等空间任务中CNN仍扮演重要角色。
- 【关键点 1】CNN通过卷积核局部连接和权值共享，适合提取空间特征；RNN通过隐藏状态循环传递，适合捕捉序列中的时序依赖。
- 【关键点 2】RNN面临梯度消失/爆炸问题，LSTM和GRU通过门控机制缓解，但本质上对长距离依赖仍有局限。
- 【关键点 3】CNN参数与输入尺寸无关，可叠加卷积层扩大感受野；RNN参数在时间步间共享，计算是串行的。
- 【关键点 4】实际选择取决于数据类型：网格结构优先考虑CNN，序列结构优先考虑RNN或Transformer。
- 【易错点 1】容易忽略RNN梯度问题的严重性，而简单认为LSTM可以完全解决。
- 【易错点 2】容易把CNN仅限定为图像任务，误认为不能处理序列数据。
- 【易错点 3】混淆权值共享含义：CNN在空间上共享卷积核参数，RNN在时间步间共享权重。