NLP入门—Task7 卷积神经网络+Text-CNN_textcnn算法公式-优快云博客

博客主要介绍卷积神经网络相关知识。包括卷积运算，其是数学变换，有稀疏权重、参数共享等动机，还有一维、二维卷积；池化运算在卷积后进行，可降维、提取主要特征，有最大、平均池化；还介绍了Text-CNN，通过embedding层将一维文本转二维，有特定结构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考资料：一张图帮你弄懂text-cnn、CNN笔记：通俗理解卷积神经网络

1、卷积运算
1.1 卷积运算
卷积运算是一种数学变换，公式中采用星号表示： s(t) = (x*w)(t)。x函数代表输入，w函数为核函数，输出被称作特征映射。

1.2 动机（稀疏权重、参数共享、等变表示）
稀疏交互（sparse interactions），卷积神经网络的特征之一，通过控制核的大小远小于输入大小来达到。
参数共享（parameter sharing），指的是一个模型中多个函数采用一样的参数。
等变表示（equivariant representataions），输入和输出保持同样性质。

1.3 一维、二维卷积运算
一维卷积：离散函数为
在这里插入图片描述连续函数为
二维卷积：
2、池化运算
2.1 池化运算
池化运算在卷积之后，对同一图像（尤其是较大图像）的不同位置特征进行聚合统计。在具体聚合运算上，可采用多种方法。

2.2 分类
池化可分为①最大池化函数-对邻域内特征点取最大；②平均池化函数-对邻域内特征点求平均值。池化是为了对提取特征继续降维，两个作用，一是减小特征大小，控制计算复杂度，避免过拟合；二是为提取出主要特征。另外池化单元具有平移不变性，如旋转、平移、伸缩等。

3、Text-CNN
3.1 原理
在对文本进行处理时，经过向量化后得到的是一维数据。而卷积神经网络通常用来处理二维的图像，因此需要将一维文本转化成二维。Text-CNN中是通过embedding层来实现的。
Text-CNN的结构为：输入层、卷积层、池化层*3，全连接层（softmax），输出层。

3.2 应用
见参考资料一。