输入部分
-
句子矩阵 (Sentence matrix) ：输入是一个 7×5 的矩阵，表示一个句子的词嵌入表示。
- 7 表示句子的长度（单词数）。
- 5 表示词嵌入的维度（每个单词被表示为一个 5 维向量）。
-
示例句子是：“I like this movie very much!”，它被转换为一个 7×5 的矩阵。
2. 卷积层 (Convolution)
- 区域大小 (Region sizes) ：使用 3 种不同的区域大小（4, 3, 2），分别表示卷积核的大小，表示卷积核在句子长度方向上滑动的窗口大小。注意：3组卷积核中每个的宽和embeding的d=5相等，所以这个卷积是向下移动，而非像图片卷积要左右移动。这种设置确保了卷积操作能够有效地捕捉句子中的局部上下文信息，同时保持计算效率。
- 滤波器数量 (Filters) ：每种区域大小使用 2 个滤波器，总共使用 6 个滤波器。
- 卷积操作：每个滤波器在输入矩阵上滑动，提取局部特征，生成特征图（feature maps）。
- 激活函数 (Activation function) ：对卷积后的特征图应用激活函数（通常是 ReLU），增强非线性表达能力。
- 分析最后一组，卷积大小为2，,输出[6,1]
3. 池化层 (Pooling)
-
1-max pooling：对每个特征图进行池化操作，提取最重要的特征。
- 每个特征图经过池化后，输出一个标量（最大值）。
-
特征向量拼接：将所有池化后的标量拼接成一个长向量，作为最终的特征表示。
-
每组的滤波器1-max pooling然后拼接输出[2,1]，最后对3个组的输出再次拼接[6,1]
4. 输出层
- Softmax 函数：将拼接后的特征向量输入到一个全连接层，使用 Softmax 函数进行分类。
- 类别输出 (Classes) ：输出 2 个类别的概率分布（例如，正面情感和负面情感）。
- 正则化图中提到“softmax function regularization in this layer”，表示在输出层应用了正则化技术（如 L2 正则化），以防止过拟合。
