发表服务
与该篇论文较为相关的一篇论文就是在IJCNLP2017发表的ASensitivityAnalysisofCNNforSentenceClassification，该篇论文探讨了CNN在文本分类领域的应用场景，给出了一系列的实验分析和调参指导，也是在本文模型上（TextCNN）的更深改进。
在这里提出TextCNN基础参数配置和调参方法，我们在【深入TextCNN】的实战篇马上就会用到。后面我也会总结各个模型的调参方法的。总结本文主要讲清楚了一维、二维和三维卷积，和文本分类中卷积操作的具体过程。
TextCNN的超参数调参在最简单的仅一层卷积的TextCNN结构中，下面的超参数都对模型表现有影响：初始化词向量。使用word2vec和golve都可以，不要使用one-hotvectors卷积核的尺寸。1-10之间，具体情况具体分析，对最终结果影响较大。
对于channel在textCNN是否有用,从论文的实验结果来看多channels并没有明显提升模型的分类能力,七个数据集上的五个数据集单channel的textCNN表现都要优于多channels的textCNN。图五textCNN实验我们在这里也介绍一下论文中四个model的不
Ensemble是论文刷结果的终极核武器,深度学习中一般有以下几种方式同样的参数,不同的初始化方式不同的参数,通过cross-validation,选取最好的几组同样的参数,模型训练的不同阶段，即不同迭代次数的模型。不同的模型,进行线性融合.例如RNN和传统模型.
还有，调参基本都是玄学，大家有一些模糊的方，过拟合要干啥，欠拟合要干啥。但是你让他拍着胸脯说，因为所以科学道理，这样保证可以，那是不可能的。
3.调参论文中，卷积层采用长度为3,4,5的filter各100个。考虑到按字拆分时，不同窗口大小选取的字段的有效性不同，因此配置不同的filter个数。
这些方案最初，都只能拿到最高0.77+的分数，通过后期的数据预处理方式改变、K折交叉验证、预训练词向量调参，伪标签等提分技巧，最终达到0.807+。具体方案参考【NLP】讯飞英文学术论文分类挑战赛Top10开源多方案--3TextCNNFasttext方案（2）提分点
3.调参论文中，卷积层采用长度为3,4,5的filter各100个。考虑到按字拆分时，不同窗口大小选取的字段的有效性不同，因此配置不同的filter个数。
TextCNN的超参数调参在最简单的仅一层卷积的TextCNN结构中，下面的超参数都对模型表现有影响：初始化词向量。使用word2vec和golve都可以，不要使用one-hotvectors卷积核的尺寸。1-10之间，具体情况具体分析，对最终结果影响较大。
与该篇论文较为相关的一篇论文就是在IJCNLP2017发表的ASensitivityAnalysisofCNNforSentenceClassification，该篇论文探讨了CNN在文本分类领域的应用场景，给出了一系列的实验分析和调参指导，也是在本文模型上（TextCNN）的更深改进。
在这里提出TextCNN基础参数配置和调参方法，我们在【深入TextCNN】的实战篇马上就会用到。后面我也会总结各个模型的调参方法的。总结本文主要讲清楚了一维、二维和三维卷积，和文本分类中卷积操作的具体过程。
TextCNN的超参数调参在最简单的仅一层卷积的TextCNN结构中，下面的超参数都对模型表现有影响：初始化词向量。使用word2vec和golve都可以，不要使用one-hotvectors卷积核的尺寸。1-10之间，具体情况具体分析，对最终结果影响较大。
对于channel在textCNN是否有用,从论文的实验结果来看多channels并没有明显提升模型的分类能力,七个数据集上的五个数据集单channel的textCNN表现都要优于多channels的textCNN。图五textCNN实验我们在这里也介绍一下论文中四个model的不
Ensemble是论文刷结果的终极核武器,深度学习中一般有以下几种方式同样的参数,不同的初始化方式不同的参数,通过cross-validation,选取最好的几组同样的参数,模型训练的不同阶段，即不同迭代次数的模型。不同的模型,进行线性融合.例如RNN和传统模型.
还有，调参基本都是玄学，大家有一些模糊的方，过拟合要干啥，欠拟合要干啥。但是你让他拍着胸脯说，因为所以科学道理，这样保证可以，那是不可能的。
3.调参论文中，卷积层采用长度为3,4,5的filter各100个。考虑到按字拆分时，不同窗口大小选取的字段的有效性不同，因此配置不同的filter个数。
这些方案最初，都只能拿到最高0.77+的分数，通过后期的数据预处理方式改变、K折交叉验证、预训练词向量调参，伪标签等提分技巧，最终达到0.807+。具体方案参考【NLP】讯飞英文学术论文分类挑战赛Top10开源多方案--3TextCNNFasttext方案（2）提分点
3.调参论文中，卷积层采用长度为3,4,5的filter各100个。考虑到按字拆分时，不同窗口大小选取的字段的有效性不同，因此配置不同的filter个数。
TextCNN的超参数调参在最简单的仅一层卷积的TextCNN结构中，下面的超参数都对模型表现有影响：初始化词向量。使用word2vec和golve都可以，不要使用one-hotvectors卷积核的尺寸。1-10之间，具体情况具体分析，对最终结果影响较大。
发表服务