首先看一張圖，這是來自煉數成金的講師Ben關於深度學習框架tensorflow課程中的一張圖，textcnn(paper)，一般理解了這張圖就基本理解了cnn文本分類的基本方法；
簡單總結一下：
首先我對這些矩陣數據從0-17做了標號，方便后續的說明；
其中0為輸入數據“I like this movie very much !”，nlp中首先會將要處理的一句話轉換為矩陣的表示，,開始矩陣的值是隨機初始化的，上圖中矩陣維度d=5，用5個0-1的浮點數組表示一個詞的向量；
編號1、2、3、4、5、6為3種尺寸（聯想分詞中的ngram為2，3，4）的卷積核，每個尺寸兩個（可以聯想到圖像的channel=2），其中上圖的卷積核寬度為5，（1、2），（3、4），(5、6)的維度兩兩相同；卷積核1從上向下與0相乘，首先是0的前四列（I like this movie）與1相乘，得到7的第一行（就一個值），然后0的第二列到第五列（like this movie very）與1相乘，得到7的第二行...依次類推，我們就得到了7、8、9、10、11、12的卷積結果
再經過max pooling，取7最大的值及8中最大的值組成13，取9、10中各自最大的值組成14，取11、12中各自最大的值組成15，最后將13、14、15拼接成16，整個卷積、池化這些特征提取的工作就完成了，最后在16和17之間加上一層全連接，17表示網絡的輸出為2，也就是二分類；到這里整個分類工程基本搭建好了。
代碼實現：
這里我們參考google brain的工程師在github上的cnn-text-classification-tf代碼
上面鏈接下載解壓之后可直接運行，代碼邏輯也較清晰；之后有時間會把訓練及測試數據改為中文
如果想要實現textcnn中文文本分類，請點擊這個text-cnn代碼鏈接，或者去github上查找你所想要的工程代碼。
上面的代碼我已驗證過，可以實現，效果還是很好的；同樣你也可以查找下目前較流行的bert文本分類的實現方法。
目錄：
- tensorflow簡介、目錄
- tensorflow中的圖（02-1）
- tensorflow變量的使用（02-2）
- tensorflow中的Fetch、Feed（02-3）
- tensorflow版helloworld---擬合線性函數的k和b（02-4）
- tensorflow非線性回歸（03-1）
- MNIST手寫數字分類simple版（03-2）
- 二次代價函數、交叉熵(cross-entropy)、對數似然代價函數（log-likelihood cost）(04-1)
- 多層網絡通過防止過擬合，增加模型的准確率（04-2）
- 修改優化器進一步提升准確率（04-3）
- 手寫數字識別-卷積神經網絡cnn（06-2）
- 循環神經網絡rnn與長短時記憶神經網絡簡述（07-2）
- 循環神經網絡lstm代碼實現（07-3）
- tensorflow模型保存和使用08
- 下載inception v3 google訓練好的模型並解壓08-3
- 使用inception v3做各種圖像分類識別08-4
- word2vec模型訓練簡單案例
- word2vec+textcnn文本分類簡述及代碼