CNN用於文本分類本就是一個不完美的解決方案，因為CNN要求輸入都是一定長度的，而對於文本分類問題，文本序列是不定長的，RNN可以完美解決序列不定長問題，
因為RNN不要求輸入是一定長度的。那么對於CNN用於解決文本分類問題而言，可以判斷文本的長度范圍，例如如果大多數文本長度在100以下，極少數在100以上，那就
可以設定文本長度是100，不足100的文本用padding補齊，多於100的文本則截斷。具體過程如下圖：
首先把分詞之后的句子按照設定的維度展開，這里維度是9，每個單詞都會有一個向量表達，維度是6（word embedding），然后用一個一維卷積核（也可以是多個）對其進行卷積操作，注意，單詞的Embedding的長度就是原始輸入的通道數，也就是卷積核的通道數；卷積操作之后，再對其進行Pooling操作，有max-pool和average-pool操作兩種，注意，這里是對時間維度，也就是句子序列上做Pooling；最后再輸入到一個全連接神經網絡中，得到分類結果。
CNN和RNN用於解決文本分類問題的對比：
-
- CNN不能完美解決序列式問題
- CNN卷積相當於N-gram（使用一定長度的卷積核），LSTM可以提取更長的依賴
- 雙向RNN會增強效果
- CNN模型並行程度高，更快