CNN的本质
三点：稀疏相互作用，参数共享，平移不变性，详见链接textCNN的卷积核长度
常用的卷积核有三种。 三，四，五。 宽度是我们向量的宽度。 (具体细节，再看一遍，300 ) cnn与全局向量Glove的结合思考
Cnn的核心是抓住文中的局部信息，不是被认为与全局向量GLOVE互补吗？ 为什么CNN比RNN更容易并行计算
浏览链接
参考链接的具体流程：
(1)扩展维度和卷积)这里包含在最后一个维度中。 也就是说shape=？135，128，1 )，filter _ shape : [ 3，128，1，128 ]，结果是，shape=？133、1、128 )
注意：一般是第2维，也就是shape=？1、135、128 )
)2) Relu函数激活，结果shape=？133、1、128；
)3)最大池化。
注意：卷积填充操作采用valid方式，其输出维度为sequence_length - filter_size 1。 现在，一个句子就是一个向量。
)4)最后三个输出向量concat为shape[None，1，1，384 ]； flat后的输出为[None，384]。
)5) Dropout后，投影输出。
(6)损耗函数) softmax_cross_entropy ) _with_Logits )。 文本CNN参考文章
链路1初始化训练参数的一些常见用法：
链接1