CNN初探

跟LSTM初探一样，这次依旧选择利用Keras来构建CNN。

基本的构建代码如下：

def CNN_model(trainArray, testArray, trainLabels, testLabels):
model = Sequential()

model.add(Convolution1D(nb_filter = nb_filters, filter_length = filter_length, border_mode = "valid", activation = "relu", input_shape = (maxlen, embedding_dims), subsample_length = 1))

model.add(MaxPooling1D(pool_length = 2))

model.add(Flatten())

model.add(Dense(hidden_dims, activation = "relu"))
model.add(Dropout(0.25))

model.add(Dense(1, activation = "sigmoid"))

model.compile(loss = "binary_crossentropy", optimizer = "rmsprop", class_mode = "binary")

hist = model.fit(trainArray, trainLabels, batch_size = batch_size, nb_epoch = nb_epoch, verbose = 2, validation_data = (valArray, valLabels))

preLabels = model.predict_classes(testArray, batch_size = batch_size, verbose = 2)

Convolution1D用于定义一个卷积操作，1D代表过滤一维输入的相邻元素。nb_filter代表卷积核的数目，filter_length 代表每次参与卷积的词数，border_mode 代表卷积的模式，有valid跟same两种，activation代表激励函数，input_shape代表输入数据的维度，CNN中输入数据的第一个维度为词数，subsample_length代表每次卷积操作的步长。

MaxPooling1D用于定义一个池化操作，也就是所谓的子采样。pool_length代表采样间隔。

Flatten用于将多维的输入转换为一维。

其他的操作跟构建LSTM时类似。

我用一张图大概解释了一下整个过程，字丑勿喷。