关于CNN卷积神经网络的问题

1.CNN模型中池化层的作用是什么？

常用的有mean pooling和max pooling，简言之，取区域平均或最大。作用是保留主要的特征，同时减少下一层的参数和计算量，防止过拟合；也可以保持translation（平移）、rotation（旋转）、scale（尺度）不变性。

2.Mean Pooling和Max Pooling是如何反向传递梯度的？

mean pooling的反向传播的过程也就是把某个元素的梯度等分为n份分配给前一层，这样就保证池化前后的梯度之和保持不变。max pooling的反向传播也就是把梯度直接传给前一层某一个像素，而其他像素不接受梯度，也就是为0。所以max pooling操作和mean pooling操作不同点在于需要记录下池化操作时到底哪个像素的值是最大。

3.TextCNN的原理是什么？

将卷积神经网络CNN应用到文本分类任务，利用多个不同大小的卷积核来提取句子中的关键信息（类似于多窗口大小的N-gram），从而能够更好地捕捉局部相关性。

4.在情感分析任务中，TextCNN的卷积核，卷积的是哪些向量呢？卷积卷的是这些向量的什么成分？

卷积的是相邻字和字向量，由于句子中相邻的字之间关联性很高，因此当用卷积核向下滑动时，得到了字意和上下文的成分。

5.TextCNN的卷积核大小是什么样的？

输入是一个句子，输入的每一行向量代表一个字，因此卷积核的宽度是与字向量的维度一致，高度可以自行设置（通常取值2,3,4），类似于N-gram。

6.怎么判断TextCNN卷出来的结果是你想要的结果？准确率是怎么验证的？

召回率过高可能导致准确率过低，反之亦然，所以综合考虑分类结果召回率和准确率的平衡，使用F1值评估结果。

7.用TextCNN预测中怎么来根据数据调整阈值呢？