CNN文本分类

　　CNN用于文本分类本就是一个不完美的解决方案，由于CNN要求输入都是必定长度的，而对于文本分类问题，文本序列是不定长的，RNN能够完美解决序列不定长问题，

由于RNN不要求输入是必定长度的。那么对于CNN用于解决文本分类问题而言，能够判断文本的长度范围，例如若是大多数文本长度在100如下，极少数在100以上，那就

能够设定文本长度是100，不足100的文本用padding补齐，多于100的文本则截断。具体过程以下图：

　　首先把分词以后的句子按照设定的维度展开，这里维度是9，每一个单词都会有一个向量表达，维度是6（word embedding），而后用一个一维卷积核（也能够是多个）对其进行卷积操做，注意，单词的Embedding的长度就是原始输入的通道数，也就是卷积核的通道数；卷积操做以后，再对其进行Pooling操做，有max-pool和average-pool操做两种，注意，这里是对时间维度，也就是句子序列上作Pooling；最后再输入到一个全链接神经网络中，获得分类结果。

CNN和RNN用于解决文本分类问题的对比：

• • CNN不能完美解决序列式问题
  • CNN卷积至关于N-gram（使用必定长度的卷积核），LSTM能够提取更长的依赖
  • 双向RNN会加强效果
  • CNN模型并行程度高，更快