遇到的問題：
python3.5以上似乎不支持直接pip tensorflow，所以先把whl下下來然後本地pip install了
https://download.lfd.uci.edu/pythonlibs/s2jqpv5t/tensorflow-1.9.0-cp37-cp37m-win_amd64.whl
引入其他文件中的方法有下劃紅線，右鍵文件夾——mark directory as source root
一直遇到問題“ModuleNotFoundError: No module named ‘tensorflow’”，不知道怎麼解決，但是把整個project文件全放進去就能運行，不知道哪裏藏着依賴文件或者設置？
代碼說明：
四個文檔：訓練集，測試集，驗證集，單字詞典。
從run_cnn.py開始執行（以主文件爲開始文件，main）
config=TCNNconfig 調用配置文件
seq_length序列長度：詞長度，一句話有多少長度
kernel_size：卷積核尺寸，一次卷積的維度，即n-gram的n值
read_category：函數，讀入類別，調用native_content進行utf-8轉碼，用cat_to_id每一個類別建立一個類別和id的字典
read_vocab：函數讀取詞彙表，_.strip()去掉裏面的換行
word_to_id：爲每一個字創建id，建立一個字典
config.vocab_size：詞彙表長度
model=TextCNN(config)：初始化一個CNN分類模型
option='train’調用訓練模式
train：訓練函數
配置tensorboard
tf.summary.scalar(“loss"和"accuracy”)：保存準確率和損失信息
saver：保存模型
載入訓練集
process_file：將文件轉換爲id
read_file函數：打開文件，按行加載，並按\t分隔成label和content。label裏內容是“體育”等類別標籤。contents裏是新聞內容的每個字的 列表。
for i in range(len(contents))：遍歷內容
data_id.append([word_to_id[x] for x in contents[i] if x in word_to_id])：把contents裏的文字轉化爲ID
label_id.append([cat_to_id[labels[i])：把label裏的標籤文字轉化爲ID
使用keras提供的pad_sequences將文本pad爲固定長度:
sequence:所有樣本
lengths.append(len(x))：將每句話的長度存成一個數組
for s in sequences：再遍歷每句話
x=(np.ones((num_samples,maxlen)+sample_shape)value).astype(dtype)：生成一個50000600的全是0的數組
truncating:pre_sequences裏”的一個屬性,預定義爲“pre
truncating=pre，則trunc=s[-maxlen:]：從最後取maxlen個元素
=post，嘖trunc=s[:maxlen]：從開頭取maxlen個元素
trunc=np.asarray(trunc,dtype=dtype)：轉換爲array
padding=post/pre，x[idx,:len(trunc)]=trunc：對於每一行x（之前全是0），用相應行的前或後maxlen（600）個元素寫入
y_pad：將標籤編碼成onehot形式
x_val,y_val：驗證集，同樣方法處理
至此預處理完成：內容只取後（前）600個編碼，標籤編碼爲one-hot
創建session，寫入默認graph(session.graph)
訓練過程：
num_epochs:訓練次數
batch_train=batch_iter(x_train,y_train,config.batch_size)：每次放入batch_size個句子進行訓練（這裏設置爲64）
x_batch:64600的數組，y_batch：6410的數組
feed_dict：用x_batch和y_batch創建字典
if total_batch % config.save_per_batch0：每多少輪將訓練結果寫入tensorboard scalar
if total_batch % config.print_per_batch0：每多少輪輸出在訓練集和驗證集上的性能（損失和精確度和評價），如果比之前最好的好，則保存新模型。
sesson.run(model.optim,feed_dict=feed_dict)：輸入feed_dict的數據開始運行。
model.optim：tf.name_scope(“optimize”)裏的優化器，self.optim=tf.train.AdamOptimizer("learning_rate=self.config.learning_rate).minimize(self.loss)
讓訓練的損失函數最小，以誤差最小的方式更新整個網絡的模型參數
內存爆炸，把參數全部改小
embedding_dim = 64 # 詞向量維度
seq_length = 600 # 序列長度
num_classes = 10 # 類別數
num_filters = 256 # 卷積核數目
kernel_size = 5 # 卷積核尺寸
vocab_size = 5000 # 詞彙表達小
↓
embedding_dim = 32 # 詞向量維度
seq_length = 300 # 序列長度
num_classes = 10 # 類別數
num_filters = 64 # 卷積核數目
kernel_size = 3 # 卷積核尺寸
vocab_size = 5000 # 詞彙表達小
cnn_mode.pyl
模型初始化：main函數裏model=TextCNN(config)
TexTCNN方法：把config參數傳進去，三個待輸入的數據：x/y/keep_prob
self.input_x=tf.placeholder(tf.int32,[None,self.config.seq_length],name=‘input_x’)
None:batch_size
self.config.seq_length:序列長度（600）
self.config.num_classes:標籤數（10）
keep_prob：dropout
cnn函數：
device:
vocab_size：字的個數（5000）
embedding_dim：詞向量維度（64）
get_variable：創建一個5000*64的總表
通過隨機初始化的方法，將每一個字變成一個64維的向量
name_scope:
cnn卷積層，由於詞向量在橫向是不能移動的（卷積核長度=詞向量長度），只能縱向卷積，故是一維卷積。256個卷積核，卷積核大小爲5，得到一個256維的列向量，池化（max pooling）後得到一個最大的值，共256個值
進行全連接
score：全連接層，y=w(z o r)+b乘以權重加上偏置值後變成128維
再一次進行全連接logits，輸入128，輸出10，輸入softmax進行預測，每一個類別的概率是多少，取一個概率最大的類別
optimize:交叉熵和損失函數，
優化器：self.optim=tf.train.AdamOptimizer(learning_rate=self.config.learning_rate).minimize(self.loss)：設定學習率爲損失最小
accuracy：計算準確率和均值，先將預測值與輸入的y值進行對比獲得True False，然後通過self.acc轉化爲0和1，之後計算均值。
test函數
讀取測試集，開啓一個session
saver.restore讀取模型
batch_size設置爲128，做成一個feed_dict餵給模型，session.run(model.y_pred_cls)輸出一個類別的最大值賦值給y_pred_cls
打印混淆矩陣和評估值