用途：一般用于文本分类，主要包括输入层、卷积层、max-pooling层、全连接+softmax层
输入：文本向量矩阵（行：每个词、列：每个词的向量表示-word2vec or glove），如果输入有多个channel，则针对每个词使用了多个不同的向量化表示
卷积核：卷积核的“宽度”通常与输入矩阵的宽度相同，高度或区域大小可以变化，一般为2-5个单词的窗口
举例子：
1）文本向量矩阵（75），使用3种不同大小的卷积核（25，35，45），每种卷积核包含2个不同的channel，相当于一共6个滤波器
2）当每个滤波器在输入的文本向量上划窗进行移动时，例如25的卷集合，可以在75的文本向量矩阵中移动6个steps，因此得到6个值，形成一个6*1的向量
3）分别针对6个滤波器得到的6个向量，进行max-pooling，每个向量留取一个最大值，得到一个1*6的向量
4）针对上述的1*6向量，进行全连接+softmax层，对文本进行分类
