本文主要是基于Yoon Kim的Convolutional Neural Networks for Sentence Classification，用中文重新梳理一遍。

模型

这篇文章使用的模型如下图所示。

第一层网络是词嵌入层，用来将文本转换成低维度的向量；第二层是卷积层，使用多个卷积核；第三层是max-pool最大池化层，产出一个长的feature向量，添加dropout；最后是softmax层，进行分类。

网络构建-源码解读

init函数

参数解读为：

sequence_length – 句子的长度，可以取所有句子的最长长度，其余不足长度的打pad。

num_classes – 分类类别数量

vocab_size – 词典的大小，embedding层的向量维度为 [vocabulary_size, embedding_size].

embedding_size – 每个词的维度

filter_sizes – 卷积核的尺寸，如[3,4,5]， 如大小为3的卷积核的维度为3*embedding_size,对于每个卷积核，可以有num_filters个

num_filters – 每个size的卷积核的数量

定义输入占位符

首先定义输入数据

tf.placeholder：创建一个占位符，这样我们在训练网络或者测试的时候可以给网络喂数据。[None, sequence_length]是输入的数据维度，None表示输入的数据量不确定，可以为任意值。一般为一批数据的大小。

dropout_keep_prob为dropout层选择一个神经元的概率。在使用网络预测时，禁掉这个参数，直接赋值为1.

词嵌入层

网络定义的第一层为词嵌入层，用来将词映射成低纬度的向量标示。

tf.device("/cpu:0") ：操作在CPU上。一般情况下，tensorflow会尝试在GPU上执行计算，如果GPU有的话。但是目前词嵌入还没有GPU支持的版本，如果设定为GPU会报错。

tf.name_scope ：创建一个叫“embedding”的命名空间，他下面的所有操作都在这个命名空间下，在tensorBoar读网络时能更有层次感。

卷积层

现在开始构建卷积层+最大池化层。这里使用不同尺寸的卷积核。最终将不同尺度的feature merge成一个大的向量。

W是卷积核的矩阵，h是经过非线性校正之后的卷积计算结果。 VALID padding意思是我们使用窄卷积，不对边界padding，产出 [1, sequence_length - filter_size + 1, 1, 1]. 最大池化的时候使用一个特定的核可以只产出一维特征，最终产出[batch_size, 1, 1, num_filters]，最终将所有卷积的结果组合成一个大的向量，[batch_size, num_filters_total]，tf.reshape=-1,进行尺度方向扭转。

Dropout层

Dropout层在一定的概率下随机的选择某些神经元“失活”，但是权重参数等保存。一般训练时设为0.5，预测时设为1.

Scores and Predictions

使用dropout之后，max-pool计算完的特征，我们可以通过矩阵计算并选择最大值产出预测结果。同时，我们可以使用softmax将原始结果进行归一化，但是这并不会改变最终的预测。

Loss and Accuracy

使用已经计算的score可以得到损失值。loss是对网络损失的衡量，我们的目标是最小化它。在分类中常用交叉损失。

对于准确率，我们也定义以个表达式，它是跟踪训练和测试的有效衡量标准。

可视化

下图是整个网的络结构。

这里，我们介绍了网络结构及每层结构的输入输出以及执行的计算，下一篇文章我们会介绍训练过程。

Implementing a CNN for Text Classification in TensorFlow

Convolutional Neural Networks for Sentence Classification