Understanding Convolutional Neural Networks for NLP（理解NLP中的卷积神经网络） 阅读笔记

目前正在学习把深度学习应用到NLP，主要是看些论文和博客，同时做些笔记方便理解，还没入门很多东西还不懂，一知半解。贴出来的原因，一是方便自己查看，二是希望大家指点一下，尽快入门。

原博客：http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/

1. 什么是卷积？

   1. 每一次卷积相当于把低级的特征转换成更高级更抽象的特征

   2. 图片卷积的时候需要注意位置不变性和组合性，在NLP中则不需要，因为在图片中相近的像素语义也相近，但是在NLP中附近的词语语义却不同。

   3. 在nlp中高层的特征如何代表下层的特征没有图片的那么直观，RNN更加直观
      

   4. 在NLP中，按行（每一行即一个词）进行卷积，卷积核的宽度为词向量的宽度，高度通常是2-5个词

   5. CNN的优势在于速度非常快，代价低。可以自动抽取好的特征。cnn中训练好的第一层卷积层类似于n-grams，但是比n-grams表示得更加紧凑

2. CNN的超参数

   1. 如何将卷积核应用到左上角没有邻居元素的像素呢？对没有邻居的元素的输出使用零填充。使用零填充的叫做wide convolution，没有使用零填充的叫做narrow convolution

   2. 步长：通常步长为1，大的步长可以减少特征数量。一个大步长的CNN其效果与RNN相似

   3. 池化层是一个关键的步骤，通常是在卷积层之后。池化层是从输入中选取子样本。通常是求每个filter结果的最大值。

   4. 池化的原因：可以使用不同长度的输入或者不同大小的filter，经过池化之后得到相同大小的输出用于分类；另外，池化缩小了特征的维度但是保留了最显著的信息，模型会损失词语位置这不太重要的信息而保留了最重要的信息，例如表示情感的词语。

   5. 在图片处理中，池化还提供了不变性的平移和旋转

   6. 通道： 是从不同的视图观察输入的信息。在图片中，从rgb不同的颜色通道进行处理；同样，在nlp中可以从不同的词向量通道进行处理，或者是从同一个句子的不同语言表达或者语义转换，作为不同的通道。

3. CNN在NLP中的应用

   1. 分类问题：情感分类，垃圾邮件检查，主题分类；卷积和池化会损失词顺序的特征，另外序列标注，词性标注和命名实体识别这些就难以应用到纯的CNN中（或者可以把位置特征作为一种输入）

   2. ....