·摘要：
本文作者将CNN引用到了NLP的文本分类任务中。
·参考文献：
[1] Convolutional Neural Networks for Sentence Classification 论文链接：http://cn.arxiv.org/pdf/1408.5882.pdf
[1] 模型
很基础的卷积神经网络模型。
算法流程：
1）word2vec词嵌入
将若干个文本中的所有词，进行无监督训练，得到词向量（word vectors）。对于每个文本，可以采用词向量加和、平均的方式表示。
2）convolutional卷积
卷积特征向量。
3）pooling池化
使用最大池化，抽取最重要的特征。
4）全连接
dropout规则化防止过拟合+ 全连接的softmax层多分类
[2] 模型参数
这里，模型根据词向量的不同分为四种：
· CNN-rand，所有的词向量都随机初始化，并且作为模型参数进行训练。
· CNN-static，即用word2vec预训练好的向量（Google News），在训练过程中不更新词向量，句中若有单词不在预训练好的词典中，则用随机数来代替。
· CNN-non-static，根据不同的分类任务，进行相应的词向量预训练。
· CNN-multichannel，两套词向量构造出的句子矩阵作为两个通道，在误差反向传播时，只更新一组词向量，保持另外一组不变。
[3] 实验结果
在七组公开数据集中进行，证明了：
· CNN在NLP文本分类中的有效性
· 通过调参，也表明了word2vec的NLP中重要意义。
[4] 拓展
1、入门了CNN，对torch、torchtext的使用有所掌握；
2、详细了解了在基于深度学习的文本分类任务中embedding层的作用，请阅读文章：【文本分类】深入理解embedding层的模型、结构与文本表示
[5] 获取本项目的源代码
