Neural network 如何设置适当的参数来构建keras卷积2D NN模型[文本分类]？

我试图使用2D CNN对中文文章进行文本分类，但在设置keras

Convolution2D

的参数时遇到困难。我知道处理图像的基本流程

卷积2D

，但仍然坚持使用keras的数据集

输入数据 建筑模型规范 问题1。我无法设置

卷积2D

参数。我的研究成果如下：

官方文档不包含用于2D CNN文本分类的exmaple（尽管有1D CNN）

卷积2D

定义如下：

nb_过滤器：要使用的卷积过滤器的数量。
nb_行：卷积内核中的行数。 nb_col：卷积内核中的列数。 边框模式：“有效”、“相同”或“完整”。（“完整”需要Theano后端。）

关于这些论点的一些研究：

• 本期是关于2D CNN的文本分类，我阅读了所有评论并选择：
  (一)
  (二)
  但它似乎与当前的keras版本有些不同，而且不同的人命名的论点也很混乱（我希望keras有一个易于理解的论点解释）

• 我看到的关于当前api的另一条评论：
  目前的API如下所示：

      keras.layers.convolutional.Convolution2D(nb_filter, nb_row, nb_col, init='glorot_uniform', activation='linear', weights=None, border_mode='valid', subsample=(1, 1), dim_ordering='th', W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None)
  

  所以（36,1,7,7）似乎是原因，正确的论点应该是（36,7,7，…）

通过以上研究，根据我对卷积的理解，

Convolution2D

创建一个（nb_filter，nb_row，nb_col）过滤器，通过滑动一个跨步得到一个过滤结果，递归滑动，最后将结果与形状（1，一个样本文章长度[6810]/nb_filter）组合成数组，并进入下一层，对吗？下面设置的代码是否正确

问题2。什么是正确的MaxPoolig2D参数？（对于我的日期集或commonm，两者都可以）

我引用此问题来设置参数，有两种：

• MaxPooling2D（poolsize=（（nb_功能-字段大小）/STRIDE）+1,1））

• MaxPooling2D（poolsize=（maxlen-n_gram+1,1））

我不知道他们为什么这样计算

MaxPooling2D

参数

---

问题3。有没有关于

batch\u size

和

nb\u epoch

进行此类文本分类的建议？我一点也不知道。

我想你应该把这一个问题分成几个独立的问题。六个问题合一有点多。@nemo没问题，我现在就把它分开。@nemo有没有建议把最后三个问题分开处理？我知道的不多，但他们似乎相互关联。@Mithril是的，他们当然是相互关联的。通过有效地使用标记，可以使它们在某种程度上保持在一起。您还可以重新提交3（6？？）个问题的背景信息。您还可以提供指向其他问题的链接。（例如，如果您创建了3个问题，那么这3个问题中的每一个都可以有2个到其他2个的链接。）HTH@米特里尔，我也想帮你回答，但我不知道你是怎么利用CNN的。你也在做类似的事情吗？你已经有向量这个词了吗？（好像是的。）您能解释一下输入向量中的尺寸吗

（9800，1681000）

？我假设

9800

是样本数，

200

是单词向量中的维数，

6810

似乎是句子长度（！！），什么是

1

？简言之，与Keras无关的问题是什么？你想怎么做这个模型？

MAX_FEATURES = 6810

# I just randomly pick one filter, seems this is the problem?
nb_filter = 128

input_shape = (1, 6810, 200)

# each word is 200 (word2vec size)
embedding_size = 200 

# 3 word length
n_gram = 3 

# so stride here is embedding_size*n_gram

model = Sequential()

model.add(Convolution2D(nb_filter, n_gram, embedding_size, border_mode='valid', input_shape=input_shape))

model.add(MaxPooling2D(pool_size=(100, 1), border_mode='valid'))

model.add(Dropout(0.5))
model.add(Activation('relu'))

model.add(Flatten())

model.add(Dense(hidden_dims))
model.add(Dropout(0.5))
model.add(Activation('relu'))

model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])


# X is (9800, 1, 6810, 200)

model.fit(X, y, batch_size=32,
              nb_epoch=5,
              validation_split=0.1)

keras.layers.convolutional.Convolution2D(nb_filter, nb_row, nb_col, init='glorot_uniform', activation=None, weights=None, border_mode='valid', subsample=(1, 1), dim_ordering='default', W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True)

model.add(Convolution2D(nb_filter=N_FILTERS, stack_size=1, nb_row=FIELD_SIZE,
                    nb_col=1, subsample=(STRIDE, 1)))

sequential.add(Convolution2D(nb_feature_maps, 1, n_gram, embedding_size))

    keras.layers.convolutional.Convolution2D(nb_filter, nb_row, nb_col, init='glorot_uniform', activation='linear', weights=None, border_mode='valid', subsample=(1, 1), dim_ordering='th', W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None)