概括
大体上简单的卷积神经网络是下面这个网络流程：
笼统的说：
Embeding Layer 后，再通过一些filters进行过滤，对结果进行maxPooling，再经过线性层映射到类别上，最后经过Softmax，得出类别分数。
细致的说：
就得慢慢分析了，as follows：
第一层：将Embeding进行filter
EmbedSize
边解释专有名词边讲述过程：
Channel： 每个单词的向量是上图的对应的行。这里的一个句子形成一个二维矩阵，这里二维矩阵叫做 一个channel。
Filter：过滤器，有时候也叫做kernel。图片处理的filter大小可以根据情况选择不同的正方形的filter；而自然语言处理中，每行表示一个特征，不能分离，所以这里的filter的长为EmbedSize，而宽呢？一般设置为奇数3，4，5(这些都是经验值，当然可以设置成别的值，但是不推荐。宽为偶数的特别少见，一般不用）。这里的Filter在和计算的时候，是和Embeding矩阵对应位相乘，最后相加，得出一个结果，公式为y = W*X + b(有没有b，自己决定)最后随着滑动，得到一个新的矩阵。
Strides: 步长。也就是滑动的距离。无论向右滑动还是向下滑动都是这个大小。(因为这里的Filter长为EmbedSize，所以，这里只能向下滑动)
(n-f+1)/s+1 * 1
用途有两个：1.解决输出大小不一致的问题。2.解决信息丢失的问题（主要是角上的信息）。
(n-f+2p+1)/s+1 * 1(p为pooling大小)， 一般默认s为1，所以为了使输出的矩阵高为n，则
n-f+2p+1 = n
即：
p = (f-1)/2 （f为一般为奇数，所以p = (f-1)//2）
这里在pytorch里的网络层代码：
最后的矩阵记得要经过一个激活函数。
数据流动：
第二层 maxPooling最大池化
有时候这个也说不算是一个层，因为不含参数。
maxPooling，最终变成m*1的矩阵。（m为相同Filter的个数*Filter种类）
数据流动代码：
第三层 Fully Connected Layer全连接层
将上面的m*1维的数据进过一个线性层，映射到k*1上。（k是种类个数）
Softmax，得到最终分类。
这里在pytorch里的网络层代码：
数据流动代码：
注：代码里没有Softmax，是因为之后用到的Loss函数里默认有。
ok,这里就讲完了。最近在想CNN好想不太适合做立场检测，觉得LSTM应该更为合适，接下来系统理论的学习下LSTM网络。
