textCNN 文本分类系列-tf2.0 keras实现(一)

写在前面：今天开始总结一下文本分类任务中常见的神经网络模型。
第一站textCNN

文本分类任务

文本分类任务是自然语言处理(NLP)中很重要的子任务，比如文本情感分类，对于一段话，比如评价，判断是积极的还是消极的。
在此我们用卷积神经网络来解决这个问题。

卷积神经网络

卷积神经网络最初是在14年左右应用到图像处理领域中的，由于卷积神经网络具有平移不变性和参数共享特点，有强大的特征提取能力(表征学习)，在很多图像识别任务中取得了非常显著的效果，成为当时的STOA（最好的方案）。
在图像识别中，我们往往应用的是二维卷积核，我们想利用卷积神经网络提取到图像的空间特征，而由于图像有宽高两个维度，于是我们就是用二维卷积核。又如视频等输入，我们往往会用三维卷积来处理。
文本类的信息只有位置上的先后关系，我们就采用一维卷积核来处理
此部分简单介绍卷积的工作原理，会有专门一章来介绍卷积层。

二维卷积运算

上图所示，假设输入是一张图片方格内的值为其像素，*代表卷积运算，图片蓝色部分和内容和卷积核相对应的位置相乘，最后求和成为了第一个输出（蓝色部分）。
然后依次向右向下移动输入的选中部分，依次与卷积核进行运算得出全部的输出。

一维卷积运算

一维卷积运算如下图所示。

一维卷积可以将相邻的位置关联起来，这种方式就可以提取上下文特征。不同大小的卷积核可以提取不同范围的特征。

卷积层

在卷积层后缓解位置敏感的问题，我们会用到池化层进行下采样，池化层的计算方式和卷积类似。常见的池化层有最大池化层和平均池化层。此外，我们往往会在其中加上BatchNorm层以缓解卷积神经网络训练参数过多带来的过拟合问题。

TextCNN 模型实现

卷积块

我们是用tf2.0 中keras API实现的，我们将卷积+batchnorm+池化做成一个可以复用的块。

    def conv1D_with_bn_gp(self,filters,kernel_size):
        blk = K.models.Sequential(