【论文阅读】对CNN进行序列分类的理解或者说是使用指南

论文：A Sensitivity Analysis of (and Practitioners’ Guide to) Convolutional
Neural Networks for Sentence Classification

2016年的论文，中国人的论文，作者写得很认真，每次实验的都非常详细（如交叉验证，实验多次等），这篇博客略去了对实验细节的介绍，只阐述结果。

Abstract

近年来，CNN已被证明可用于序列分类，并且能获得很好的效果（strong performance）。但要真正在实践中，使用CNN进行序列分类，还需要知道CNN的各项参数（如卷积核的大小和个数）对序列分类的影响，方便调参。

作者基于一层CNN构建序列分类模型，在9个数据集上进行了大量实验，包括与SVM和逻辑回归的比较，也包括CNN不同参数的实验。

本文的贡献在于，对使用CNN做序列分类给出了很多实用建议，也在实验中论证了CNN分类序列的合理性。

Introduction

目前，序列分类的CNN模型的构造如下图所示（来自论文Convolutional Neural Networks for Sentence Classification）：

• 输入序列是I like this movie very much !，长为7，每个token都被embedding成5维向量，因此模型的输入是7x5的矩阵。
• 模型的第一层是卷积层，卷积层共有6个卷积核: k1, k2, k3, k4, k5, k6，它们的大小分别是4x5, 3x5, 2x5。
• 那么，输入经过卷积，再经过激活函数，获得6个feature map，大小分别为4、4、5、5、6、6。
• 6个feature map