🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📰
CNN做NLP？2014年Yoon Kim证明CNN不仅能做图像，还能做文本分类。TextCNN用不同大小的卷积核捕捉不同长度的n-gram特征，像筛子一样过滤出关键词。令人惊讶的是，这个比RNN简单得多的方法，在很多文本分类任务上效果不输甚至超越RNN。
一句话总结
💡
TextCNN 利用多种尺寸的卷积核捕捉局部 n-gram 特征，通过最大池化提取关键信息实现文本分类。
常见误区
这些坑别踩
✗
误区 1
CNN 只能做图像任务。
✓
正确理解
一维卷积在序列上同样有效，TextCNN 证明了 CNN 在文本分类上的能力。
✗
误区 2
卷积核越多分类越准。
✓
正确理解
过多卷积核增加参数易过拟合，需配合 dropout 和正则。
✗
误区 3
TextCNN 能理解长距离依赖。
✓
正确理解
卷积感受野有限，长距离依赖更适合用 RNN 或 Transformer。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
TextCNN 的核心思想是？
2
TextCNN 使用多种尺寸的卷积核（如 3/4/5）的目的是？
3
TextCNN 中"1-max pooling"的作用是？
4
关于 TextCNN 与 RNN 在文本分类上的对比，下列说法正确的是？
面试经典题
共 4 题 · 先思考再看答案
1
基础
请描述 TextCNN 的完整网络结构与前向流程。
2
中等
TextCNN 为什么在短文本分类上效果好？其特征提取机制有何优势？
3
中等
TextCNN 的卷积核大小和数量如何选择？有哪些调参经验？
4
困难
TextCNN 有哪些变体？它们如何改进原始模型？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺