embedding长度和卷积通道数目相等？

来源：7-5 基于CNN的文本分类模型(TextCNN)

慕妹2274842

2019-03-04

图片描述
老师你好，我理解的等价情况是，embedding的长度（词向量维度）应该是跟卷积的宽相等吧？如上图。所以卷积通道数目就是卷积的宽？概念有点混淆了麻烦老师指点一下

写回答

1回答

正十七

2019-03-20

同学你好，你混淆的地方应该是把二维卷积的概念套到这里了。这里使用的是一维卷积，对于一维卷积来说，卷积核是[1, 3] 或[1, 5] 大小，且从上到下滑动。 embedding的每一维都是不同的通道，可以把上图中"I Like this movie very much !" 右边的矩阵理解为句子的五个通道的表达，每一列都是一个通道。再类比到二维卷积，你会发现，二维卷积中，图像的每个通道对应卷积的通道数目。同样的，句子的每个通道对应着一维卷积的通道数目。

深度学习之神经网络(CNN/RNN/GAN)算法原理+实战

深度学习算法工程师必学，深入理解深度学习核心算法CNN RNN GAN

2617 学习 · 935 问题

查看课程

相似问题

maxpooling不会增加通道数目吧

回答 2

老师通道数不对啊，不应该是几个卷积核，就会有几个输出吗

回答 1

一维卷积与多维卷积理解

回答 1

文本分类embedding卷积的提问

回答 1

卷积神经网络中，卷积层的输出神经元个数

回答 1

打开慕课网App查看更多内容