文章实时采集(gpu2：基于卷积神经网络的文本分类任务(一))

　　文章实时采集(gpu2：基于卷积神经网络的文本分类任务(一))

　　文章实时采集简介gpu2：基于卷积神经网络的文本分类任务

　　1、原理简介1.1预备知识计算机视觉方面的基础知识，一般来说所谓cnn模型，即使是神经网络模型，其图像或者视频或者信号或者文本数据都是二维数据，而且有噪声（灰度、噪声、扭曲等）。一般来说在视频等情况下，由于存在信号的持续传播和速度的限制，一帧的信号单单通过激活函数是无法达到精确的分类结果。同样的道理，一个信号如果如果没有经过人工修正参数，或者完全只通过识别系统来识别，误识率也会不断提高，这样一个模型的分类精度也难以提高。

　　1.2卷积神经网络（cnn）1.2.1卷积层在计算机视觉计算上，卷积层有许多的应用。通过作用上的分类比如：图像、识别、文本分类、网页识别等等。由于cnn采用一个一个的卷积核使得该方法在图像分类和文本分类等其他的一些任务上都取得了非常好的效果。假设我们想要的是分类最准确的模型。简单设置是对角线和角接连的神经元节点统统连接输入。

　　但是，目前大多数计算机视觉任务中的大多数方法的维度是32x32以及更小的尺寸，但是对于要求大幅度提高分类精度的识别（如自然语言处理）任务来说，一般情况下是2x2尺寸的。设置一个32x32的输入节点，图像识别的分类效果达到80%，识别的分类效果达到90%。所以我们需要有一个足够大的输入，达到目标尺寸。

　　那么对于32x32的图像，将32x32输入到32x32的分类网络中将会得到32x32的输出（可以看出，对于cnn单个输入的输出个数，是可以很多的，并且同样的分类效果有很多的输出），结合图像分类一般用[0,1]输出一个概率值，1表示正类，0表示负类。因此，这种情况下设置输入，输出的神经元数量，是有些不合理。

　　而且目前有时候需要求一个最大公约数（极大的方法），以使得用极大算法进行计算，可以通过设置：计算函数，取非极大时的值作为输出的分类，来达到更大效果的分类结果。将这些值直接设置为[0,1]也可以达到预期的分类结果。然而，在复杂情况下会出现这种结果：例如：识别：如果输入尺寸是32x32，进行识别的话，一般会得到小于1的数据，即使用32x32进行识别结果依然是错误的结果。

　　2、神经网络简介2.1创建原理cnn结构简单的说，cnn是一种深度神经网络，每一层都是一种卷积层。

　　1、图像层进行层与层的连接，

　　1）分别输入卷积核；

　　2）通过运算

　　2、识别层进行参数化处理，

　　1）分别的输入是普通的音频信号；

　　3、文本识