利用CNN来做NLP（textcnn）

讲到nlp，我们常用的都是lstm/gru。
举个例子，因为我们总会说，因为句子经过embdding后，句子为一个三维张量，假设为：（None,20,300）。其中20为timestep,也就是一个句子的单词个数，300为embdding维度。为了更深的理解句子，剖析句子语意，我们假设接上一层lstm（num_units=128，return_sequence=True）,那么输出的张量就为(None,20,128)。你会发现句子的embedding维度变了，我们可以说经过lstm后，我们用一种更高级的方式表示出了单词的维度，不再是300，而是128了。也就是句子变了。我们往往会接上两层这样的lstm，之后再接一些池化层、全连接层等等，一个基本的nlp分类网络就形成了~

那么如果我告诉你CNN同样可以改变句子的维度，就像lstm那样变成一个新的句子，且新句子更容易被网络理解，而且提供了n-gram的信息。是不是很神奇？

等一下。n-gram？他不是tfidf那边的东西吗？（如果不明白n-gram,请先自行百度）我们为了结合单词间的关系，我们把连续的2个词，3个词…称为一个term。在神经网络也可以完成这样的转换？是的，这就是textcnn。

OK。textcnn我不想讲太多，我建议直接看下面这篇博文，我自己写也写不了这么多，这么好。但是看完后，我会加一些自己的东西。

链接：[NLP] TextCNN模型原理和实现

看完之后我想你一定有一些体会，但是肯定还会有一些疑问。我想你的疑问不外乎这些：
1.我想知道textcnn每一步之后的输出张量的形状，这样我方便知道每一层发生了什么，显然上面的链接没有给你很直观的体验。
2.我想知道为什么用Maxpooling不用平均池化？
3.我想知道为什么要用池化。。。
4。卷积和池化和我以前在cv里看到的不一样。。看不懂。