利用CNN往往用來處理影象資訊，但近幾年，研究人員借鑑CNN處理影象的過程，提出了一種將文字進行一定的處理，也能用CNN的結構提取資訊。其中TextCNN是利用CNN結構處理文字資訊經典之作。

TextCNN原理介紹

普通的CNN網路包括輸入層（input）、卷積層（conv）、啟用函式（常用relu）、池化層（pooling）、全連線層（fc）。

在TextCNN中，將文字中的每一個字或詞透過embedding的方式表示成維度相同的向量，因此一篇文字或者一句話就轉換了一個矩陣表示。TextCNN的處理文字分類的過程如下所示：模型的輸入是由每個句子中的詞的詞向量組成的矩陣，d代表詞向量的維度，可自行定義，這樣我們就得到了7×5的矩陣。在輸入的基礎上，使用3種filter視窗進行卷積計算得到特徵圖。視窗的大小分別是2×5，3×5，4×5，並且對於每個型別的視窗，都有128個不同值的filter，這樣就得到了384個特徵圖。由於不同型別視窗卷積得到的特徵圖大小不一，因此採用Max Pooling的方式，即將每個特徵向量中最大的一個值抽取出來，然後將所有的值拼接起來組成一個一維向量。然後將結果輸入到全連線層，經過啟用函式輸出，再加上Dropout層防止過擬合。並在全連線層上新增L2正則化引數。最後再經過一個softmax層作為輸出，進行分類。如果是多分類任務可以用softmax層，如果只是一個二分類任務，則可以直接用一個含有sigmod啟用函式的神經元作為輸出層。

最後，值得一提的是，在引數選擇時，filter視窗尺寸對最終結果影響較大，應具體情況具體分析，一般句子越長，尺寸越大。並且每種視窗的數量對於結果的影響也比較大，在增加數量的同時也會增大模型的計算量。