首先看一张图，这是来自炼数成金的讲师Ben关于深度学习框架tensorflow课程中的一张图，textcnn(paper)，一般理解了这张图就基本理解了cnn文本分类的基本方法；
简单总结一下：
首先我对这些矩阵数据从0-17做了标号，方便后续的说明；
其中0为输入数据“I like this movie very much !”，nlp中首先会将要处理的一句话转换为矩阵的表示，,开始矩阵的值是随机初始化的，上图中矩阵维度d=5，用5个0-1的浮点数组表示一个词的向量；
编号1、2、3、4、5、6为3种尺寸（联想分词中的ngram为2，3，4）的卷积核，每个尺寸两个（可以联想到图像的channel=2），其中上图的卷积核宽度为5，（1、2），（3、4），(5、6)的维度两两相同；卷积核1从上向下与0相乘，首先是0的前四列（I like this movie）与1相乘，得到7的第一行（就一个值），然后0的第二列到第五列（like this movie very）与1相乘，得到7的第二行...依次类推，我们就得到了7、8、9、10、11、12的卷积结果
再经过max pooling，取7最大的值及8中最大的值组成13，取9、10中各自最大的值组成14，取11、12中各自最大的值组成15，最后将13、14、15拼接成16，整个卷积、池化这些特征提取的工作就完成了，最后在16和17之间加上一层全连接，17表示网络的输出为2，也就是二分类；到这里整个分类工程基本搭建好了。
代码实现：
这里我们参考google brain的工程师在github上的cnn-text-classification-tf代码
上面链接下载解压之后可直接运行，代码逻辑也较清晰；之后有时间会把训练及测试数据改为中文
如果想要实现textcnn中文文本分类，请点击这个text-cnn代码链接，或者去github上查找你所想要的工程代码。
上面的代码我已验证过，可以实现，效果还是很好的；同样你也可以查找下目前较流行的bert文本分类的实现方法。
目录：
- tensorflow简介、目录
- tensorflow中的图（02-1）
- tensorflow变量的使用（02-2）
- tensorflow中的Fetch、Feed（02-3）
- tensorflow版helloworld---拟合线性函数的k和b（02-4）
- tensorflow非线性回归（03-1）
- MNIST手写数字分类simple版（03-2）
- 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
- 多层网络通过防止过拟合，增加模型的准确率（04-2）
- 修改优化器进一步提升准确率（04-3）
- 手写数字识别-卷积神经网络cnn（06-2）
- 循环神经网络rnn与长短时记忆神经网络简述（07-2）
- 循环神经网络lstm代码实现（07-3）
- tensorflow模型保存和使用08
- 下载inception v3 google训练好的模型并解压08-3
- 使用inception v3做各种图像分类识别08-4
- word2vec模型训练简单案例
- word2vec+textcnn文本分类简述及代码
