文本分类算法TextCNN原理详解

详情请看：膜拜大佬！【原创】文本分类算法TextCNN原理详解（一） - ModifyBlog - 博客园

Textcnn 原理 与rnn lstm 的比较， Textcnn更快

textCNN的总结

　　本次我们介绍的textCNN是一个应用了CNN网络的文本分类模型。

• textCNN的流程：先将文本分词做embeeding得到词向量, 将词向量经过一层卷积,一层max-pooling, 最后将输出外接softmax 来做n分类。 

• textCNN 的优势：模型简单, 训练速度快，效果不错。

• textCNN的缺点：模型可解释型不强，在调优模型的时候，很难根据训练的结果去针对性的调整具体的特征，因为在textCNN中没有类似gbdt模型中特征重要度(feature importance)的概念, 所以很难去评估每个特征的重要度。 

TextCNN 的优势

1. TextCNN最大优势网络结构简单 ,在模型网络结构如此简单的情况下，通过引入已经训练好的词向量依旧有很不错的效果，在多项数据数据集上超越benchmark。 

2. 网络结构简单导致参数数目少, 计算量少, 训练速度快，在单机单卡的v100机器上，训练165万数据, 迭代26万步，半个小时左右可以收敛。