这篇文章翻译至denny britz的博客。
一、数据预处理
这个情感分析的数据集来自Rotten Tomatoes的电影评论，总共10662个样本，一半正例，一半负例，词汇的数目大概2万个。
任何机器学习能够得到很好的执行，数据预处理都很重要。首先，简单介绍下其数据预处理的过程：
1、从原始文件中载入正例和负例；
2、对数据进行清理；
3、设定最大句子长度是59，不足的补符号；
4、建立一个字典，映射字到0-18765。
简单说明一下，第3步保证输入的句子长度一致，CNN本来是处理图像的，所以，我们要做的像个图片一样，因此要求长度一致。
二、CNN模型设计
这个图已经画的相当6了。
第一层词嵌入，用word2vec把词语映射为128维的向量。第二层是卷积层，这个卷积层比较特别，用了多个过滤器的大小。例如，每次分别划分3，4或5个字词；第三层，池化层，在这里采用的最大池化，并将所有卷积层的结果放在一个长的特征向量上，然后加上dropout正则，最后用softmax输出结果。
下面是代码实现。
为了更好的处理超参数，我们把代码都放在一个TextCNN类里面：
import tensorflow as tf
import numpy as np
class TextCNN(object):
"""
A CNN for text classification.
Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
"""
def __init__(
self, sequence_length, num_classes, vocab_size,
embedding_size, filter_sizes, num_filters):
# Implementation... sequence_length-句子的长度，59；
num_classes-分类的数目，2；
vocab_size-字典的长度；
embedding_size-我们映射的向量维度大小，128；
filter_sizes-卷积层过滤器的大小，[3, 4, 5]；
num_filters-过滤器的深度。
1、输入
定义输入数据的placeholder和dropout。
# Placeholders for input, output and dropout
self.input_x=tf.placeholder(tf.int32[None,sequence_length], name="input_x")
self.input_y=tf.placeholder(tf.float32[None,num_classes], name="input_y")
self.dropout_keep_prob=tf.placeholder(tf.float32,name="dropout_keep_prob") tf.placeholder相当于一个坑，等着填呢。第二个参数是tensor的shape，None表示这个维度可以是任意数。在样例中，第一个维度是批数据的大小，用None表示，可以是任意大小的批数据。
2、词嵌入层
with tf.device('/cpu:0'), tf.name_scope("embedding"):
W = tf.Variable(
tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
name="W")
self.embedded_chars = tf.nn.embedding_lookup(W, self.input_x)
self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1) 这里用的随机生成的vector。最后的tf.expand_dims()来扩充数据，生成[[None, sequence_length, embedding_size, 1]这种格式。因为TensorFlow的局基层conv2d需要一个4维的tensor（batch，width，height，channel）
3、卷积池化层
pooled_outputs = []
for i, filter_size in enumerate(filter_sizes):
with tf.name_scope("conv-maxpool-%s" % filter_size):
# Convolution Layer
filter_shape = [filter_size, embedding_size, 1, num_filters]
W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
conv = tf.nn.conv2d(
self.embedded_chars_expanded,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
# Apply nonlinearity
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
# Max-pooling over the outputs
pooled = tf.nn.max_pool(
h,
ksize=[1, sequence_length - filter_size + 1, 1, 1],
strides=[1, 1, 1, 1],
padding='VALID',
name="pool")
pooled_outputs.append(pooled)
# Combine all the pooled features
num_filters_total = num_filters * len(filter_sizes)
self.h_pool = tf.concat(3, pooled_outputs)
self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])我们先建立卷积层，然后是最大池化层。因为我们卷积层的过滤器选择了多个，所以我们需要对它们进行迭代，为每一个过滤器都建立一个layer，然后把结果汇聚到一个大的向量里。
这里需要说明的是，和图像不同的地方，就是我们文字不能跨行过滤，因为那样会没有意义。
4、设置dropout（训练时候用）
# Add dropout
with tf.name_scope("dropout"):
self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)5、评分和预测（最后的全连接层）
with tf.name_scope("output"):
W = tf.Variable(tf.truncated_normal([num_filters_total, num_classes], stddev=0.1), name="W")
b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
self.predictions = tf.argmax(self.scores, 1, name="predictions")6、设置损失函数和准确率计算
# Calculate mean cross-entropy loss
with tf.name_scope("loss"):
losses = tf.nn.softmax_cross_entropy_with_logits(self.scores, self.input_y)
self.loss = tf.reduce_mean(losses)这里使用的交叉熵损失函数
# Calculate Accuracy
with tf.name_scope("accuracy"):
correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")剩下的，按照常规步骤走就可以了。
