卷积神经网络（Convolutional Neural Networks，CNN）的提出使得深度学习在计算机视觉领域得到了飞速的发展，大量基于CNN的算法模型被提出，同时深度学习算法在多个视觉领域实现了突破。最初在文本领域，主要使用的深度学习模型是RNN，LSTM等，既然CNN在图像领域得到广泛的应用，能否将CNN算法应用于文本分类中呢？Kim在2014的文章《Convolutional Neural Networks for Sentence Classification》成功将CNN模型应用在文本分类中。
卷积神经网络中最重要的两个操作是卷积和池化，由卷积+池化构成CNN的基本操作，通过堆叠卷积+池化的过程实现图像深层语义特征的抽取。卷积神经网络的基本结构如下图所示：
在图中的CNN网络由两组基本操作（卷积Convolutions和池化Subsampling）和全连接层构成。卷积操作是CNN 中最为重要的部分，与全连接层不同，卷积层中每一个节点的输入只是上一层神经网络中的一小块，如下图所示：
通过卷积核（如图中的卷积核大小为3 imes 3 ）对二维的图像（图像大小为6 imes 6 ）进行卷积操作，得到的大小为4 imes 4 。池化操作可以有效地缩小特征图的大小，池化又可以分为最大池化（max-pooling）和平均池化（average-pooling），以最大池化为例，池化层的操作如下：
为了能够将CNN应用在文本建模上，需要对图像和文本的特征做比较。有了如上对卷积神经网络的基本了解，对于图像特征，可以看成是二维的，又长和宽构成（通常还有深度，此处以二维的为例），对应的卷积核也是二维的。然而对于文本的特征，通常是一维的，只存在时间维度。对于将CNN应用在文本建模上如下图所示：
其中，x 表示的每个词的词向量维度。TextCNN的网络结构如下图所示：
如上如所示，TextCNN的模型结构中主要包含如下的几个部分：
对于TextCNN的详细的计算过程，如下图所示：
如上图所示，假设输入的文本为“I like this movie very much!”，假设每一个词的维度为d=5 ，则输入的特征大小为7 imes 5 ，如图中设计6 个卷积核，从上到下大小分别为：4 imes 5 ，4 imes 5 ，3 imes 5 ，3 imes 5 ，2 imes 5 和2 imes 5 ，计算得到6 个特征图，从上到下的大小分别为：4 imes 1 ，4 imes 1 ，5 imes 1 ，5 imes 1 ，6 imes 1 ，6 imes 1 ，采用最大池化，最终得到6 imes 1 的语义特征，最终通过全连接网络得到最终分类目标。
词向量的计算方法主要有两种方式：
到此这篇cnn算法原理（cnn算法有哪些应用）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！更多优质内容可以访问：
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/kjbd-yiny/52737.html