007_NLP_Task6 利用Text-CNN模型来进行文本分类

卷积运算的定义

参考：https://www.cnblogs.com/lhuser/p/8414759.html

卷积运算的动机

参考：https://www.jianshu.com/p/e3824e8fd115

一维卷积运算和二维卷积运算

参考：https://www.cnblogs.com/dasein/p/5692153.html

练习代码：

 

#coding = utf-8
#Author:Shanv
#function:
import pandas as pd
import numpy as np
import datetime
import tensorflow as tf

def get_conv1d(x_batch,weight,conv1_stride):
    conv = tf.nn.conv1d(x_batch,weight,stride=conv1_stride,padding='SAME')
    return conv

def get_conv2d(x_batch,weight,conv2_stride):
    conv = tf.nn.conv2d(x_batch,weight,strides=conv2_stride,padding='SAME')
    return conv

if __name__ == '__main__':
    startTime = datetime.datetime.now()
    print('start')

    #定义一个1维需要被卷积的张量
    tensor1 = np.array((np.arange(1, 1+20)).reshape([1, 10, 2]),dtype=np.float32)
    #定义一个卷积核，这里卷积核数目为1, 步长也为1， 大小为2
    kernel1 = np.array(np.arange(1, 1+4), dtype=np.float32).reshape([2, 2, 1])
    #进行一维(conv1d)卷积,步长为1
    cov1d = get_conv1d(tensor1, kernel1, 1)

    with tf.Session() as sess1:
        #初始化参数
        tf.global_variables_initializer().run()
        #输出卷积值
        print('一维卷积值为：')
        print(sess1.run(cov1d))

    #定义第二个维需要被卷积的张量(shape=(1,5,5,3))
    tensor2 = tf.constant([
        [
            [[0.0, 1.0, 2.0], [1.0, 1.0, 0.0], [1.0, 1.0, 2.0], [2.0, 2.0, 0.0], [2.0, 0.0, 2.0]],
            [[0.0, 0.0, 0.0], [1.0, 2.0, 0.0], [1.0, 1.0, 1.0], [0.0, 1.0, 2.0], [0.0, 2.0, 1.0]],
            [[1.0, 1.0, 1.0], [1.0, 2.0, 0.0], [0.0, 0.0, 2.0], [1.0, 0.0, 2.0], [0.0, 2.0, 1.0]],
            [[1.0, 0.0, 2.0], [0.0, 2.0, 0.0], [1.0, 1.0, 2.0], [1.0, 2.0, 0.0], [1.0, 1.0, 0.0]],
            [[0.0, 2.0, 0.0], [2.0, 0.0, 0.0], [0.0, 1.0, 1.0], [1.0, 2.0, 1.0], [0.0, 0.0, 2.0]],
        ]
    ])
    #定义一个卷积核，这里卷积核数目为1， 大小为(3,3)
    kernel2 = tf.constant([
        [
            [[1.0, -1.0, 0.0], [1.0, 0.0, 1.0], [-1.0, -1.0, 0.0]],
            [[-1.0, 0.0, 1.0], [0.0, 0.0, 0.0], [1.0, -1.0, 1.0]],
            [[-1.0, 1.0, 0.0], [-1.0, -1.0, -1.0], [0.0, 0.0, 1.0]],
        ]
    ])
    #进行2维(conv2d)卷积,步长为[1,1,1,1]
    cov2d = get_conv2d(tensor2, kernel2, [1,1,1,1])

    with tf.Session() as sess2:
        #初始化参数
        tf.global_variables_initializer().run()
        #输出卷积值
        print('二维卷积值为：')
        print(sess2.run(cov2d))

    endTime = datetime.datetime.now()

    totalTime = (endTime - startTime).seconds
    print(startTime, '--------', endTime)
    print('共消耗%d秒' % totalTime)

输出：

一维卷积值为：
[[[ 30.]
  [ 50.]
  [ 70.]
  [ 90.]
  [110.]
  [130.]
  [150.]
  [170.]
  [190.]
  [ 59.]]]
二维卷积值为：
[[[[ 0. -2.  1.]
   [-4. -2.  3.]
   [-1. -3.  2.]
   [-4. -1.  5.]
   [ 4. -4.  6.]]

  [[-3. -1. -2.]
   [-3.  0.  1.]
   [ 2. -3.  5.]
   [ 1. -6.  2.]
   [ 0. -3.  2.]]

  [[-3. -2.  0.]
   [ 0. -2.  4.]
   [ 4. -2.  6.]
   [-3. -6.  2.]
   [ 0. -4.  1.]]

  [[-1. -4.  1.]
   [-3. -3.  1.]
   [ 0. -3.  3.]
   [-3. -3.  1.]
   [ 2. -1.  3.]]

  [[-2.  2.  0.]
   [-1. -1.  4.]
   [ 0. -4.  0.]
   [ 0. -2.  5.]
   [ 4. -4.  4.]]]]
2019-05-23 13:21:44.486630 -------- 2019-05-23 13:21:45.350002
共消耗0秒

池化运算

参考：https://blog.csdn.net/sunflower_sara/article/details/81322048

Text-CNN的原理

参考1：https://blog.csdn.net/chuchus/article/details/77847476

参考2：https://blog.csdn.net/xh999bai/article/details/89483673