前言
TextCNN是在2014年，由韩国人Yoon Kim于2014年在“Convolutional Neural Networks for Sentence Classification”一文中提出的算法。
一、TextCNN
1-1、TextCNN结构图以及介绍：
整体结构：一层卷积，一层最大值池化，最后将输出外接softmax来进行n分类。因为网络结构简单所以参数数目较少，计算量少，训练速度快。这是TextCNN的优势。
第一层（Word Embedding构建词向量）：首先需要将输入语句进行分词，之后将每个词都映射成相应词向量。即词语数值化，方便后续处理。(图中是一个7行五列的向量矩阵，7代表的是一个句子中的单词个数，而5代表的是每个词对应的词向量的维度)。
第二层（卷积层）：使用不同规格（45，35， 25）的卷积核对输入的词向量矩阵提取特征（使用点积，即相乘的结果再进行依次相加），一般情况下下滑步长为1，得到（41， 51， 61）的输出，一般称输出为feature_map。（即卷积层输出的别名）
注意：颜色不同的卷积核（eg：上图的深红色卷积核和浅红色卷积核），虽然它们的size是相同的，即形状都是4*5，但是它们的内部是不一样的，称之为不同的channel（通道）。
为什么使用不同规格的卷积核？（因为可以获取到不同范围内词的关系，类似于N-gram，一般情况下使用2、3、4、5个次数作为卷积核的大小）
为什么每种规格还使用不一样的卷积核？（因为不一样的卷积核有不一样的关注点，这样多个卷积核就能学习到不同的信息）
第三层（最大值池化）： 第二层输出的feature_map，假设其中一个feamap = [1,1,2,1]，从中选取一个最大值2作为输出。这样的处理方法即为最大值池化。
第四层（使用softmax进行N分类）：我们将第三层的结果拼接起来，送入到softmax中，得到最终的分类结果。
1-2、与CNN相比，textCNN的不同之处
1、 图像数据的特征提取一般是从左到右，从上到下滑动来进行特征提取的。
2、 自然语言的特征提取只是从上到下的，因为在输入到模型之前，自然语言首先会做Embedding处理，即生成词嵌入向量，在一句话表示的向量矩阵中，每一行都代表了不同的词，从左到右的特征提取是没有意义的，所以只会从上到下进行特征提取。
1-3、TextCNN的超参数调参
输入词向量：词向量表示的选取，选择一个适合的词嵌入表示模型（word2vec还是GloVe）
filter大小： 卷积核的大小。随着语料中句子的增加而增加，一般设置为（3，4，5）
每个size下的filter个数：增加特征图的时候，训练时间也会变得很长，要注意权衡。
激活函数： 一般选择Relu作为激活函数。
池化策略：1-max pooling
droupout rate：0.5
L2正则化： 相比于其他参数来说，影响比较小。
参考文章：
重要：听说你不会调参？TextCNN的优化经验Tricks汇总 .
总结
桥洞底下盖小被。
