平时做自然语言处理的时候，都会有用到CNN的模型，可是对于模型本身的算法具体过程还没有完全理解透彻！
因此阅读了一些文章书籍以及观看了一些课程，在这里尽量以通俗易懂的语言，以问答形式作一个总结，如有错误的地方劳烦指出！
一 CNN是个什么鬼？它可以用来做什么？
CNN的英文全称是Convolutional Neural Networks(可不是那个美国有线电视新闻网CNN哦), 中文名叫作卷积神经网络，是神经网络的一种，它非常适合用于图像处理的问题。举个简单的小例子，你有10000张人脸照片，有男有女，每张照片标记男或者女，那么可以通过‘输入照片——CNN模型——输出标记’来训练一个识别男女的分类模型，训练完毕后，输入任意一张人脸照片，模型就可以预测出这张照片的性别啦！当然，还有更多复杂的应用，比如识别图像中的物体，看图说话等，另外，在文字处理方面，有些任务也可以用到CNN。
二 你知道CNN的灵感来源是什么吗？
说到CNN的灵感来源，这就要牵涉到人类大脑的视觉原理了。
之前上学的时候记得老师问过一个这样的问题：一个天然瞎的盲人有一天突然有了正常视力了，你觉得他/她看到的世界应该是什么样子的？嘿嘿，你是不是从来都没想过这个问题呢？一般来说啊，这个人可以看到东西，但是并不能认知东西。比如说，我们正常人看到一辆车渐行渐远，而此人看到的是一个东西一点点变小了，也就是说，视觉是一个需要学习并且层层加工的过程，而不是简单的‘看到什么’。又比如，我们经常看到大人这样逗婴儿，躲起来，又现身，通常婴儿会很惊讶，然后咯咯大笑。对于婴儿来说，他/她的感觉就是一个人突然消失了，还没有一个东西把另一个东西遮蔽起来，虽然看不到但是还存在的概念。所以呢，一言以蔽之，看到并不等于看见！
好，言归正传，人类的大脑是怎么样识别我们所看到的东西的呢？简单地说，我们的大脑有很多不同的区域或者说不同的脑细胞，分别负责不同层次的任务。举个例子，我们看到了埃及金字塔，这个时候，脑子里的细胞开始活动了，细胞Ａ说：哈，这是一些不同方向的直线！细胞B听了之后，说：小弟，你错了，这是一些三角形！细胞C听闻后说：此言差矣，这是个三角体啊！细胞Ｄ在一旁摇摇头，说道：小兄弟们，你们都错啦，这就是埃及的金字塔啊！也就是说，我们的大脑从最细微的特征开始，层层递进，得到愈来愈抽像的概念。
而CNN正是模仿这一过程，先抓取一些局部的具体信息，然后再加工，再再加工，最后得到了一个抽象的概念。
三 那CNN具体是怎么操作的呢？
CNN主要包含两个操作，一个是卷积操作，一个是池化操作。
先说说卷积，简而言之，就是用一个个滤波器，去抓取图像中的特征。还是举个例子，我们有一张黑白图片，上而写了很多个白色的‘一’， 那么怎么识别这些个‘一’的位置呢？
我们先把图像数字化，可以把黑的像素点写成0,白的像素点写成1,如下所示：
00000011110
00111100000
00000011110
00011110000
我们再设置一个滤波器（在实际应用中滤波器一般为正方形）：
1111
然后我们把这个滤波器当作一个移动窗口，逐行逐列地取图像中的四个数字分别作相乘运算并相加，那么可以想见，在1多的地方，我们得到的结果肯定大，0多的地方，结果肯定小，如此我们就可以把‘一’给找出来啦！
在实际的模型搭建中，我们只需要在框架里设置一些变量，滤波器的大小，个数，步长，扩充边缘的值。在编写代码的时候，最好注释一下经过滤波器前后图像的大小以方便后续的操作。比如，原图像的大小为（255，255，3）, 卷积核大小为3，共有10个, 步长为1, 不扩充边缘，那经过这一层滤波器（卷积）操作之后，图像的大小为多少？
图像大小变为（253，253，10）
在具体操作中：图像尺寸为（Ｗ，Ｗ，Ｈ），步长为Ｓ，滤波器为（Ｎ，Ｎ，Ｍ），pad的值为Ｐ，则图像尺寸变为： （(Ｗ+2*Ｐ-Ｎ)/Ｓ+1，(Ｗ+2*Ｐ-Ｎ)/Ｓ+1，Ｍ）。注意，扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素。
顺便提一句，卷积层的训练参数个数为：（卷积核的大小+偏置项）*该层卷积核的个数。例如上述例子中，每个的尺寸为3＊3＊3, 那么根据公式，参数个数为(3＊3＊3+1）＊10 ＝ 280
再来说说池化操作，别听这个称呼这么高大上，其实意思很简单，就是根据一群数字取一个有代表性的数，一般来说我们取这些数的平均数，也可以取最大值，一般我们会取最大值。这个操作是为了压缩图片，减少之后的计算量。为啥可以这么做呢？其实从图像的角度来理解很简单，把一张图像素稍稍变低一些，我们还是可以分辨出这张照片里有些什么。
池化层的后的图像尺寸变化计算方式和卷积层一样。一般池化层选取池化核的尺寸为2，步长为2, 池化之后图像大小变为原来的一半。另外注意池化层里没有需要训练的参数个数。
经过多个卷积＋池化的操作，将结果展开（即经过一层Flatten层），就可以连上全连接输出需要的结果啦。
四 CNN网络怎么用于自然语言处理呢？
我们知道，在文字处理中，一般都是把词转化为词向量的，那对于词向量，做卷积干啥呢？还是举个例子，假设有一句话“我爱土豆”，三个词的词向量分别是：
我 ［0.4, 0.5, 0.1］
爱 ［0.3, 0.3, 0.4］
土豆 ［0.1, 0.8, 0.1］
我们把这句话拼接起来变成一个矩阵，然后开始做卷积处理。仔细想想，如果这里用一个大小为（2,2）的滤波器，也就是说，我们对某两个词的其中两个维度做卷积，那这样就丢失了第三维的信息，而对于词向量为说，一个向量代表了一个单词的意义。所以如果我们会取（2,3）的滤波器，就显得更有意义些，这样一来，我们抓取了’我爱‘，’爱土豆‘这两个信息了，这其实有点类似Ｎ-gram的思想，抓取一些短语的信息。
五 能总结下ＣNN适合处理什么样的问题吗？
根据CNN的特性，我们可以认为CNN适合处理特征层层关联，层层递进，特征从具体到抽像的问题。比如，在图像中，简单的线条形成几何形状，形状组合再变成一些小部件，小部件组合又变成一个物体。又比如，在一句话中，词组成词组，词组组成短语，短语再组成句子。
六 在搭建CNN模型的实践过程中，需要注意哪些问题？
根据经验，笔者认为需注意的问题有：
注意与实际任务相结合，比如图像和文字的处理，对于卷积的形式就不一样。不要一上来就堆模型。
注意每一层之间的输入输出大小。很多时候代码出bug是因为对每一层输入输出的大小不清楚，没有对上一层的输出做变换以适应下一层的输入格式。另外，每个深度学习的框架里设置的参数形式也不一样，需要具体地参考官方说明书。