1.简介
TextCNN是利用卷积神经网络对文本进行分类的算法。
合理性：
深度学习模型在计算机视觉与语音识别方面取得了卓越的成就。
卷积具有局部特征提取的功能，所以可用CNN来提取句子中类似n-gram的关键信息。
2.参数与超参数
sequence_length
Q:对于CNN，输入与输出都是固定的，可每个句子长短不一，怎么处理？
A：需要做定长处理，比如定为n，超过的截断，不足的补0。注意补充的0对后面的结果没有影响，因为后面的max-pooling只会输出最大的值，补0的项会被过滤掉。
num_classes
多分类，分为几类
vocabulary_size
语料库的词典大小，记为|D|
embedding_size
将词向量的维度，由原始的|D|降维到embediding_size
filter_size_arr
多个不同size的filter
3.embedding layer
通过一个隐藏层，将one-hot编码的词投影到一个低维空间中。
本质上是特征提取器，在指定维度中编码语义特征。这样，语义相近的词，它们的欧氏距离或余弦距离也比较近。
4.convolution layer
为不同尺寸的filter都建立一个卷积层，所以会有多个feature map。
图像是像素点组成的二维数据，有时还会有RGB三个通道，所以它们的卷积核至少是二维的。
从某种程度上讲，word is to text as pixel to image,所以这个卷集合的size与stride会有些不一样。

图片引用自《A Sensitivity Analysis of (and Practitioners’ Guide to) ConvolutionalNeural Networks for Sentence Classification》Ye Zhang, Byron Wallace