标签：
欢迎转载，转载注明出处：
http://www.cnblogs.com/NeighborhoodGuo/p/4716827.html
不知不觉到了第三部分了，整个课程也快结束了，虽然不是第一次整个推完公开课，但是还是有些兴奋呢！
废话不多说，开始总结啦！
这节课就介绍了一个模型，就是在Computer Vision里十分popular的CNN(Convolutional Neural Networks)。不过这里介绍它在NLP的应用，可见model其实是可以有不同的应用的哦，没准我们的大脑就是这么运转的，哈哈扯远了。
RNN是先整出来一个parsing tree然后一步一步的向上爬（蜗牛吗？- -），CNN不用整出来一个parsing tree，用论文里的话说就是Induced Feature Graph，可以自己生成拓扑结构。看似挺不错的。RNN是使用过的vector在同一layer里不会再使用第二次，CNN是用过的vector在同一layer里还可以用，从不计较。
CNN很像卷积的，选一个window，然后从左向右的一步一步的移动，然后生成上一层的layer。
第一部分介绍了一个最最简单的CNN，就是一个金字塔的结构：
然后使用和RNN里一样的计算步骤，一步一步的recursive
这种模型简单是简单，但是效果不好
于是就想出来一个好办法，第一步和之前的金字塔结构一样，就是生成金字塔的最下面两层：
然后生成了一个c的vector，接下来就pooling的过程，c_hat = max{C}
但是这样提取出来的只有一个啊，怎么办呢？多建几个金字塔不久好了，不对多建几个金字塔的底座，专业点说就是用不同宽度的window提取出feature map，然后再pooling，这样提取出来的features就多了。
有一个trick据说可以提高精度
在training阶段的最后一步，在z之前element-wise乘一个r，r是Bernoulli random variables。
这样可以有意的提高overfitting的可能性，继而可以训练尽可能多的features
在使用的时候当然不用再乘r了，但是weight会很大，所以：
使其缩小，再计算最后结果
还有一个trick是为了避免overfitting的：
还有一个trick - -
由于我们的模型很复杂，dataset也很大，训练时间很长，但是最终的训练结果可能不是最优的，所以就每隔一段时间，记录下来相应的weight和accuracy，在最后训练完成的时候使用accuracy最高的weight。
在课程的最后讲了一个最复杂也是最牛掰的CNN，在看完paper之后算是弄明白了
第一层使用的是Wide Convolution
左边的是narrow右边的是wide
具体要怎么convolution呢？首先选一个m作为weight matrix
然后生成M
最后往上 计算一层：
这个model里使用的k-max pooling和之前的不一样，这里一次提取出来前k个最大的，不像之前模型只提取出最大的
首先是k的计算方法：
其中L是总层数，l是相应的层，s是句子里的单词数。k_top这个就自己优化了。
计算方法和这个类似，差别就是取出前k个最大的
这个最简单，就是把每两行相加起来，加之前是d行，加之后是d / 2行
得到了想要的features最后就用Fully connected layer做预测了！
先不管用之前讲得哪种CNN生成最顶上的那个feature，然后用RNN生成对应的target language
Bag of vectors对于简单的分类问题很好
Window Model对于单词的分类很好，长段的分类不行
CNNs直接被吹得万金油了
Recursive NN语义学上貌似可信，但是得生成一个parsing tree（我怎么感觉这个不靠谱）
Recurrent NN认知学上貌似可信，但是现在性能不是最优的
标签：
原文地址：http://www.cnblogs.com/NeighborhoodGuo/p/4716827.html
