词向量：
GloVe词向量：2014年的英文维基百科上训练。400k词 每个词100维向量表示。
数据集：
20种新闻文本数据。
步骤：
1.把新闻样本转化为词索引序列。
词索引：每个词依次分配一个ID，只保留最常见的词。
2.生成一个词向量矩阵。第i列表示词索引为i的词的词向量。
3.将词向量矩阵载入Keras Embedding层。设置该层的权重不可在训练（把数据转成系数向量）https://www.zhihu.com/question/344209738
4.Kearas Embedding层之后连接一个1D的卷积层。用softmax全连接输出新闻类别。（特征抽取）https://www.jianshu.com/p/88bb976ccbd9
代码见：
https://github.com/keras-team/keras/blob/master/examples/pretrained_word_embeddings.py
CNN讲解---------------李宏毅:
举例：判断一张图是否有鸟嘴（pattern）
1、只需要选取这张图的一小部分来判断，从而减少参数。 (Convolution)
2、同样的pattern可能分布在不同的位置，但处理方法都相同 (Convolution)
3、缩小图片并不会影响物体的整体形状。 (Max-pooling)
Filter 是一个矩阵，他们的值是神经网络需要学的参数。
之后我们在图片上选取一个一个窗口，让他们与Filter做内积，直到所有窗口选完，最后又得到一个矩阵叫做Feature Map
把Feature Map（输出层）的每一个位置的值对应于窗口（输入层）。（其实是一个全连接层）