NPL实践系列：7、卷积神经网络

1. 卷积运算

1.1卷积运算定义

卷积，是我们在各种工程领域，信号领域所看到的常用名词，学通信的同学应该很熟悉。
那什么是卷积？通俗来说，即是这样的一个变换过程：
输出 = 输入 * 系统
虽然它看起来只是个复杂的数学公式，但是却有着重要的物理意义，因为自然界这样的系统无处不在，计算一个系统的输出最好的方法就是运用卷积。更一般的，我们还有很多其他领域的应用：
统计学中，加权的滑动平均是一种卷积。
概率论中，两个统计独立变量X与Y的和的概率密度函数是X与Y的概率密度函数的卷积。
声学中，回声可以用源声与一个反映各种反射效应的函数的卷积表示。
电子工程与信号处理中，任一个线性系统的输出都可以通过将输入信号与系统函数（系统的冲激响应）做卷积获得。
物理学中，任何一个线性系统（符合叠加原理）都存在卷积。
计算机科学中，卷积神经网络（CNN）是深度学习算法中的一种，近年来被广泛用到模式识别、图像处理等领域中。
这6个领域中，卷积起到了至关重要的作用。在面对一些复杂情况时，作为一种强有力的处理方法，卷积给出了简单却有效的输出。对于机器学习领域，尤其是深度学习，最著名的CNN卷积神经网络(Convolutional Neural Network, CNN)，在图像领域取得了非常好的实际效果，始一出现便横扫各类算法。
从数学上讲，卷积只不过是一种运算，是将二元函数 U(x,y) = f(x)g(y) 转变成一元函数 V(t) 的一种运算过程，公式如下：

1.2卷积运算的意义、作用

从卷积公式，我们知道，卷积是一种积分运算，用来求两个曲线重叠区域面积。可以用来做加权运算，特征增强。
从二元函数 转变成一元函数 ，可以简化复杂度，减少计算量。

2. 反卷积

反卷积是信号处理中一类基本问题,广泛应用于信道均衡、图像恢复、语音识别、地震学、无损探伤等领域,也可应用于未知输入估计和故障辨识问题。
一般来说，反卷积的目的是找到一个形式的卷积方程的解：
fg=h*

3. 池化运算的定义、种类（最大池化、平均池化等）、动机。

4. Text-CNN的原理。

5. 利用Text-CNN模型来进行文本分类。

参考文章：
https://blog.csdn.net/qq_39521554/article/details/79083864
https://zhuanlan.zhihu.com/p/57575810
https://blog.csdn.net/itleaks/article/details/80336825