最近在看文本分类系列模型，应该会陆续更新几篇有关文本分类模型的博客，大概一周内更新完成，之后开始做文本匹配的东西，虽然这些模型网上有很多解读了，但是只有自己写出来了，才算是自己的呀。本篇博客讲解最为经典的textCNN模型，并采用tensorflow2来进行实现。
textCNN模型简介
textCNN是2014年所提出的一个模型，可以说是非常早了。它的模型也非常简单，直接放图👇。
- 首先是输入层，是单词的embedding得到的矩阵，维度是(batch_size,seq_length,embedding_size)。在论文中，作者实验了好几种策略：1.CNN-rand：对单词的词向量随机初始化；2.CNN-static：使用word2vec得到的word embedding，并且在训练过程中，不更新embedding；3.CNN-non-static：使用word2vec得到的word embedding，但是在训练过程中，更新word embedding；4.CNN-multichannels：使用两个channel，两个channel都是使用word2vec使用的word embedding，但是一个不随着训练过程更新，一个随着训练训练过程更新。(这样做的目的主要是防止过拟合)结果证明，第三种效果最好。
- 然后是卷积层，类似于n-gram，可以使用多个不同尺寸的卷积核，在论文中，使用(3,4,5)三种卷积核，激活函数为relu，每一种卷积核都有100个，即每一种卷积核得到的feature map都有100个。
- 之后是全局最大池化层(max-over-time pooling layer)，也就是对于每一个feature map，我们从中得到一个数值最大的feature。譬如：3种卷积核，每种100个，那么得到300个feature map(3*100)，经过max-over-time pooling之后，得到的结果是300维的向量。
- 最后是一个softmax层。在论文中，对经过全局最大池化层之后的输出，进行了dropout操作，防止过拟合。
这就是整个textCNN模型，可以说是非常简单的思路了～
（放一张卷积操作的过程图～图片来源）
textCNN模型实现
暂无。
参考文献
Convolutional Neural Networks for Sentence Classification
