NLP-使用tensorflow构建神经网络——卷积层和池化层细节说明

本文链接：https://blog.csdn.net/spring_willow/article/details/80199975

本文详述使用TensorFlow构建神经网络的CNN模型，重点讲解卷积层（tf.nn.conv2d）和池化层（tf.nn.max_pool）的实现及细节，包括tf.truncated_normal、tf.concat和tf.reshape的用法，以及ReLU激活函数的作用和优化神经网络的方法。

摘要由CSDN通过智能技术生成

背景介绍

本文内容是使用CNN进行文本分类，主要记录文本分类问题中使用tensorflow进行神经网络构建的内容。此篇承接上一篇的NLP-使用tensorflow构建神经网络——嵌入层细节部分说明。

一、CNN模型图

这里写图片描述
图片来源：论文Convolutional Neural Networks for Sentence Classification

二、卷积和池化代码

     # Create a convolution + maxpool layer for each filter size
        pooled_outputs = []#初始化空的list
        for i, filter_size in enumerate(filter_sizes):#遍历卷积核种类，size=2、size=3、、、
            with tf.name_scope("conv-maxpool-%s" % filter_size):
                #建立一个名称为’conv-maxpool-‘的模块
                #  Convolution Layer
                filter_shape = [filter_size, embedding_size, 1, num_filters]
                #卷积核参数：高*宽*通道*卷积核个数，图片中最左侧所示
                W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
                # W表示截断产生正态分布数据，方差为0.1，变量维度为filter_shape的张量
                b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
                # b表示变量维度为卷积核个数，数值为0.1的张量
                conv = tf.nn.conv2d(#实现卷积
                    self.embedded_chars_ex