【深度学习】卷积神经网络CNN TextCNN

可以看看这个 【参考：CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解_xys430381_1的专栏-CSDN博客】

【参考：卷积核（kernel）和过滤器（filter）的区别_xu.hyj-CSDN博客】

一维卷积
【参考：深度学习面试题09：一维卷积（Full卷积、Same卷积、Valid卷积、带深度的一维卷积） - 黎明程序员 - 博客园】

【参考：卷积神经网络中的batch到底是什么？ - 知乎】

batch是批的意思，就是说卷积神经网络处理数据是分批处理的，batch_size就是每批处理的样本的个数。

CNN train 的样张图片 60 张，设置 batch_size = 15；

理解：训练数据图片一次取15张同时训练，分4次训练完。

概念

卷积核 kernel 约等于 滤波器 过滤器 filter 不同文档的叫法不同

通道数为1时一般叫 卷积核，通道数大于1时一般叫 滤波器（即一个滤波器为一组卷积核）

卷积核可以是一维、二维、三维…

https://www.zhihu.com/question/305080152/answer/2223288342
注意：一维卷积不代表卷积核只有一维，也不代表被卷积的feature也是一维。一维的意思是说卷积的方向是一维的。

滤波器的个数 = 特征图的个数

经过卷积后生成的图叫做特征图 (提取原图片的特征)

一个滤波器可以产生一张特征图

【参考：006卷积神经网络CNN的基本概念_哔哩哔哩_bilibili】

通道 channel

通道数可以理解为深度或者层数

比如 彩色图像的由三层图像叠加产生

下图滤波器（3 * 3 * 3）的层数也为3 （宽 * 高 * 通道数）

A -> B ：A取决于B 

         ->            ->
输出通道数 = 特征图的个数 = 卷积核个数

滤波器的个数为2 (Filter=2)，每个滤波器的shape为3*3*3，即是一个立方体，只不过这个立方体是由三片组成的

滤波器的个数 = 特征图的个数

看视频理解

【参考：TextCNN天池授课_哔哩哔哩_bilibili】

多输入通道卷积
多个输入通道的图片
对应多个卷积核
输出单通道图片 (上图所示)

多输出通道卷积
多个通道的图片
对应多组卷积核（一组包括#1，#2，#3）假设有两组
输出多通道图片（输出通道为2）
不同组的卷积核提取的信息不一样，比如第一组卷积核提取的是猫的耳朵，第二组卷积核是提取猫的嘴巴

计算

【参考：CNN基础知识——卷积（Convolution）、填充（Padding）、步长 - 知乎】

这里就要涉及到“卷积核”和“filter”这两个术语的区别。在只有一个通道的情况下，“卷积核”就相当于“filter”，这两个概念是可以互换的。但在一般情况下，它们是两个完全不同的概念。每个“filter”实际上恰好是“卷积核”的一个集合，
在当前层，每个通道都对应一个卷积核，且这个卷积核是独一无二的。

多通道卷积的计算过程：将矩阵与滤波器对应的每一个通道进行卷积运算，最后相加，形成一个单通道输出，加上偏置项后，我们得到了一个最终的单通道输出。如果存在多个filter，这时我们可以把这些最终的单通道输出组合成一个总输出。

这里我们还需要注意一些问题——滤波器的通道数、输出特征图的通道数。

某一层滤波器的通道数 = 上一层特征图的通道数。如上图所示，我们输入一张 663的RGB图片，那么滤波器（ 333 ）也要有三个通道。

某一层输出特征图的通道数 = 当前层滤波器的个数。如上图所示，当只有一个filter时，输出特征图（ 44 ）的通道数为1；当有2个filter时，输出特征图（44*2）的通道数为2。

---

TextCNN

【参考：【论文笔记】：Convolutional Neural Networks for Sentence Classification用CNN做句子分类 - 小千同学超级爱写代码 - 博客园】

【参考：卷积在NLP领域的应用–以TextCNN为例_哔哩哔哩_bilibili】

【参考：论文阅读：Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类_南有芙蕖-CSDN博客】

【参考：TextCNN天池授课_哔哩哔哩_bilibili】讲的非常好