這是前一段時間在做的事情，有些python庫需要python3.5以上，所以mac請先升級 brew安裝以下就好，然后Preference(comm+',')->Project: Text-Classification-m...->Project Interpreter->setting button->add，添加python的虛擬環境(usr/local/bin/python3.7)，然后就去安裝那些包
然后去github找一份代碼學習下，在此之前請先連接這個技術需要什么，我找到了是這份代碼Text-Classification
通過代碼繼續學習
我們需要掌握JieBa 分詞的內部實現原理，了解 TF-IDF 統計方法的基本原理。然后進行網絡的訓練、網絡的預測，以此來達到一個比較高的文本分類正確率。
我們需要大量的測試集，並給其標上標簽，單一標簽和多標簽方法並不一樣，當然我們經常面對的是多標簽
深度學習文本分類模型：
1，fastText
原理：句子中所有的詞向量進行平均（某種意義上可以理解為只有一個avg pooling特殊CNN），然后直接連接一個 softmax 層進行分類。
2，TextCNN： 利用CNN來提取句子中類似 n-gram 的關鍵信息。
改進： fastText 中的網絡結果是完全沒有考慮詞序信息的，而TextCNN提取句子中類似 n-gram 的關鍵信息。
3，TextRNN：
模型： Bi-directional RNN（實際使用的是雙向LSTM）從某種意義上可以理解為可以捕獲變長且雙向的的 “n-gram” 信息。
改進： CNN有個最大問題是固定 filter_size 的視野，一方面無法建模更長的序列信息，另一方面 filter_size 的超參調節也很繁瑣。
4，TextRNN + Attention：
改進：注意力（Attention）機制是自然語言處理領域一個常用的建模長時間記憶機制，能夠很直觀的給出每個詞對結果的貢獻，基本成了Seq2Seq模型的標配了。實際上文本分類從某種意義上也可以理解為一種特殊的Seq2Seq，所以考慮把Attention機制引入近來。
5，TextRCNN（TextRNN + CNN）：
過程：
利用前向和后向RNN得到每個詞的前向和后向上下文的表示：
詞的表示變成詞向量和前向后向上下文向量連接起來的形式：
再接跟TextCNN相同卷積層，pooling層即可，唯一不同的是卷積層 filter_size = 1就可以了，不再需要更大 filter_size 獲得更大視野。
上面那份代碼使用的是TextCNN，我們可以來分析下這個的使用
