实现CNN for sentence classfication

论文： Convolutional Neural Networks for Sentence Classification

将每个词取出词向量的形式，作为卷积的输入。
通过filter获取不同的特征，经过池化和全连接，用softmax求出概率，进行分类
仍然是简化文本处理的部分，只用6个句子作为全部训练语句，同时batch_size =6

三部分

• parameters
• 计算卷积池化全连接的主体部分
• 训练和预测

参数部分：

分别是向量维数，每个句子最大的长度，分类数，卷积核大小和数量，这里用了三个卷积核
然后就是常规的对训练语句分词处理，获得词汇表等

这里的XY分别是模型的输入和输出，输入是将单词转化为序号的序列，输出就是【0，1】表示的分类
为了简单，没有训练词向量，而是随机生成的
embedded_chars就是喂进去的句子的词向量表示，由于总共就只有6个句子，所以输入就是这六个

计算卷积池化全连接部分：

有三个卷积核，循环来处理
每次卷积核的大小：filter_shape =[filter_size,embedding_size,1,num_filters]，表示[filter_height, filter_width, in_channels, out_channels]
用CNN处理自然语言处理时，卷积核的宽度至少要是词向量的维度，可以看第一张图的表示
论文中有两个输入channel，这里只有一个
filter的值W是随机生成的，大小就是filter_shape
然后经过tf.nn.conv2d
在加个bias，过relu**函数
在经过max_pooling
得到的就是本次卷积池化后的结果，全部放到pooled_outputs =[]里，连接起来一起使用
concat后过一个全连接，前端连接的是总的num_filters数，后面就是类别数
得到的结果就是logit

训练和预测

就是喂进去训练语句转化为序号的句子，以及对应的label

预测时输入变为新的测试语句转化为的序号序列

简单结果如下：