tensorflow多层卷积网络实现CNN文本分类

1.实验数据获取：
这里的实验数据是本人自己提取的，具体方式是:
（大家可以根据自己喜好进行如下步骤）
1.选取3个不同类别的文本，每类500篇，共1500篇。
2.使用TF-IDF或词频等方式，从每个类型的文本中选出100个特征词，3个类别，共300个特征词。将300个特征词存入一个list中。
3.使用300个特征词的列表去遍历每一篇文本，如果第x个特征词在该文本中出现次数为n，则对应该文本的特征list的第x为记为n。1500篇文本，1500个特征list分别对应每个文本。
4.对每个文本设置标签，使用one-hot方式表示即可
5.将其文本顺序打乱即可，但保证其对应关系不变 文本——文本特征list——标签

例如：
这里我使用TF-IDF从3个不同类别的文本中提取到的300个特征词：

我们甚至可以从这些词中看出这三类文本的类别分别为：房产，星座，游戏
当然，有些词的区分性不是太好，我们可以通过增加文本数量，设置更精确的停用词实现更好的效果。

提取一篇文本的特征list：

文本特征list的每一位与特征词list的每一位一一对应，例如文本特征list[1]=11,对应特征词list[1]=“一个”，即表示"一个"这个词在该文本中出现11次。

再对这篇文本设置标签：
[‘0’, ‘1’, ‘0’]
表明该文本属于第二类。

2.代码实现：
关于理论实现这里就不做讲解（如果想要学习，推荐深度学习入门——基于Python的理论与实现-图灵教育-[日]斋藤康毅 著），
直接上代码，具体解释在注释中：
代码参考于：
Tensorflow中文社区
BiliBili视频 深度学习框架Tensorflow学习与应用

import tensorflow as tf

import dataN     #这里是自己写的获取数据的python文件，可以获取到1200个训练数据，训练标签。300个测试数据，测试标签
train_dataN,train_labelN,test_dataN,test_labelN=dataN.dataone()

#placeholder为tensor操作创建占位符,可以在TensorFlow运行某一计算时根据该占位符输入具体的值
x=tf.placeholder("float",shape=[None,300])
#None表示一次传入数据的个数未知，他会根据实际情况自动设置
y_=tf.placeholder("float",s