cnn在自然语言处理的应用-textcnn实战

　　首先看一张图，这是来自炼数成金的讲师Ben关于深度学习框架tensorflow课程中的一张图，这就是textcnn的结构，这张图更加的言简意赅，一般理解了这张图就基本掌握了nlp的深度学习分类的方法；

 简单总结一下：

　　首先我对这些矩阵数据从0-17做了标号，方便后续的说明；其中0为输入数据“I like this movie very much !”，nlp中首先会将要处理的一句话转换为矩阵的表示，通常使用word2vec的方式转为矩阵向量，上图中word2vec的矩阵维度d=5，用5个0-1的浮点数组表示一个词的向量；1、2、3、4、5、6为6个不同卷积核，其中卷积核的宽度d必须为5，（1、2），（3、4），(5、6)的维度两两相同；卷积核1从上向下与0相乘，首先是0的前四列（I like this movie）与1相乘，得到7的第一行（就一个值），然后0的第二列到第五列（like this movie very）与1相乘，得到7的第二行...依次类推，我们就得到了7、8、9、10、11、12的卷积结果，再经过max pooling，取7最大的值及8中最大的值组成13，取9、10中各自最大的值组成14，取11、12中各自最大的值组成15，最后将13、14、15拼接成16，整个卷积、池化这些特征提取的工作就完成了，最后在16和17之间加上一层全连接，17表示网络的输出为2，到这里整个分类工程基本搭建好了。

代码实现：

这里我们参考google brain的工程师在github上的cnn-text-classification-tf代码

原文：https://www.cnblogs.com/go-ahead-wsg/p/12650693.html