当我们听到卷积神经网络的时候，我们讨论的都是计算机视觉（CV）,对于图像，一般都有如下的假设：图像的某个点的像素值与其周围的值相似，也就是说图像具有光滑性。
如果将句子转换成像图像那样的“像素矩阵”，那同样的就可以在sentence上做卷积操作了。
CNN for CV
当我们听到卷积神经网络的时候，我们讨论的都是计算机视觉（CV）,对于图像，一般都有如下的假设：图像的某个点的像素值与其周围的值相似，也就是说图像具有光滑性。图像上的卷积操作是如何做的呢？对于二维卷积，如下图，左边表示一幅图像，右边表示一个filter，在左边图像构造一个与fiter同样大小的窗口，对应元素相乘相加得到的值为feature，然后滑动窗口的位置同样的计算方式计算所有的值。
Source: http://deeplearning.stanford.edu/wiki/index.php/Feature_extraction_using_convolution
到目前为止已经有很多通过卷积神经网络来解决图像问题的模型，最早提出CNN的是LeCun.1989-1998，LeNet。
然后就是解决ImageNet问题的AlexNet模型，还有后来的Google的GoogleNet模型等。
CNN for NLP
如果将句子转换成像图像那样的“像素矩阵”，那同样的就可以在sentence上做卷积操作了。假设每一行向量表示一个词的word embedding（词的低纬向量表示），比如word2vec，GloVe和one-hot向量。
假设10个单词的句子，每个词向量的长度是100维，那么输入的句子矩阵的大小就是10x100，可以把它称之为句子“图像”。
得到sentence矩阵之后，类似于CNN在图像上的卷积，同样在sentence矩阵上做卷积。如下图：
在训练CNN时要求所有图像数据维度都相同，如果不同可以通过图像的reshape操作达到相同大小的图片。然后句子的不可能通过reshape的方式增加或减小长度，所以这里的办法是选定一个合适的长度，短句补0，长句子剪掉后面的单词。
有了这些操作，CNN合理的应用在文本上，本文的介绍的模型是分类，其实其他模型也是可以的。