一、理论
卷积神经网络结构：（卷积层+（可选）池化层）*N+全连接层*M（M>=0），卷积层的输入输出是矩阵，全连接层输入输出是向量，在卷积层的最后一层做一个展平。
主要用于分类任务
全卷积神经网络：（卷积层+（可选）池化层）*N+反卷积层*K，可以做物体分割类任务
卷积操作
解决参数过多导致的计算资源不足，容易过拟合的问题。解决方法：局部连接（基于图像的区域性）、参数共享（基于图像特征与位置无关）
卷积核是反向传播计算出的参数，卷积：卷积核与输入做点积乘法。步长：卷积核每次在输入上滑动的距离。padding：使输出size不变。
池化操作
类似卷积，计算方式不同，最大值池化：池化核滑动覆盖区域的最大值作为结果输出。
特点：常使用不重叠（kernal-size=步长）、不补零的操作。参数即为步长和池化核大小。用于减少图像尺寸，从而减少计算量。一定程度平移鲁棒。损失了空间精度。
二、实现
embedding_dim = 16
batch_size = 128
cnn_model = keras.models.Sequential([
keras.layers.Embedding(vocab_size,
embedding_dim,
input_length=max_length),
keras.layers.Conv1D(filters=256,kernel_size=2,kernel_initializer='he_normal',
strides=1,padding='SAME',activation='relu'),
keras.layers.GlobalMaxPooling1D(),
keras.layers.Dropout(rate=0.5),
keras.layers.Dense(12, activation='sigmoid')
])
cnn_model.summary()
cnn_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
Conv1D
在文本中，卷积的某一维大小往往为embedding长度，即在宽度上不需要窗口移动，宽度就是整个窗口，所以conv1d默认卷积的宽度就为embedding维度，长度通过kernel_size来指定的，此处为2，即卷积核的大小为2*embedding_size。strides为步长，此处为1，即卷积核每隔一个单词移动一次。filters是卷积核的个数，即输出的维度。padding有valid和same两种选择，valid在长度方向（宽度方向不padding）不进行padding，而same则在长度方向进行padding，保证输入句子长度和卷积后输出的句子长度一致。
tensorflow fit()方法：参考
https://blog.csdn.net/crazyman2010/article/details/103705318