本文将详细介绍一个在文本分类领域广受好评的经典模型——基于TensorFlow的卷积神经网络（CNN）实现。该代码参考了Kim的论文《Convolutional Neural Networks for Sentence Classification》的简化版本，经过多个实际项目验证，非常适合作为文本分类入门或快速原型开发的基准。

前置准备

在运行代码前，请确保环境已安装以下依赖：Python 3、TensorFlow 0.12及以上版本，以及NumPy。这些库都是必需的，尤其注意TensorFlow版本，过旧或过新都可能导致兼容性问题。建议使用Python 3.6+搭配TensorFlow 1.x的稳定版本。

训练模型

训练脚本的核心文件为train.py，该脚本支持多种参数以灵活调整模型结构。以下是常用配置项说明：

• --embedding_dim：词嵌入维度，默认128。该参数控制每个词向量的长度，数值越大表示能力越强，但训练成本也随之增加。
• --filter_sizes：卷积核尺寸，以逗号分隔，默认"3,4,5"。这些尺寸对应n-gram窗口大小，通常选择3、4、5。
• --num_filters：每种尺寸的卷积核数量，默认128。数量越多，模型提取的特征越丰富，但需注意过拟合风险。
• --l2_reg_lambda：L2正则化系数，默认0.0。实际应用中建议设置为较小值，如0.01，可有效防止参数爆炸。
• --dropout_keep_prob：Dropout保留概率，默认0.5。训练时通常设为0.5~0.8，评估时设为1.0。
• --batch_size：批量大小，默认64。若显存充足，可尝试128以提高训练速度。
• --num_epochs：训练轮数，默认100。实际轮次需根据验证集表现调整，通常50~100轮即可收敛。
• --evaluate_every：评估间隔步数，默认100步。可根据模型大小调整频率。
• --checkpoint_every：模型保存间隔步数，默认100步。建议与评估步数一致，便于对比。
• --allow_soft_placement 和 --log_device_placement：这两个与设备相关的参数通常保持默认，无需特殊设置。

启动训练的命令非常简单：

./train.py

如果想自定义参数，比如改成128维嵌入、过滤器尺寸为3,4,5、每类过滤器128个，可以这样：

./train.py --embedding_dim 128 --filter_sizes "3,4,5" --num_filters 128

模型评估

训练结束后，可使用eval.py脚本评估模型性能。执行时需指定检查点（checkpoint）目录路径，例如：

./eval.py --eval_train --checkpoint_dir="./runs/1459637919/checkpoints/"

请将路径替换为实际训练输出目录。若要使用自定义数据集，需修改eval.py中的数据加载部分，代码已预留接口，可根据数据集格式进行相应调整。

参考资料

若想深入理解原理，建议阅读以下两篇论文：

• Kim Y. Convolutional Neural Networks for Sentence Classification. EMNLP, 2014.
• Zhang Y., Wallace B. A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification. arXiv, 2015.

第一篇论文是开创性工作，第二篇提供了大量实践调参建议和敏感性分析，对实际部署极具参考价值。