CNN用于文本分类本就是一个不完美的解决方案，因为CNN要求输入都是一定长度的，而对于文本分类问题，文本序列是不定长的，RNN可以完美解决序列不定长问题，
因为RNN不要求输入是一定长度的。那么对于CNN用于解决文本分类问题而言，可以判断文本的长度范围，例如如果大多数文本长度在100以下，极少数在100以上，那就
可以设定文本长度是100，不足100的文本用padding补齐，多于100的文本则截断。具体过程如下图：
首先把分词之后的句子按照设定的维度展开，这里维度是9，每个单词都会有一个向量表达，维度是6（word embedding），然后用一个一维卷积核（也可以是多个）对其进行卷积操作，注意，单词的Embedding的长度就是原始输入的通道数，也就是卷积核的通道数；卷积操作之后，再对其进行Pooling操作，有max-pool和average-pool操作两种，注意，这里是对时间维度，也就是句子序列上做Pooling；最后再输入到一个全连接神经网络中，得到分类结果。
CNN和RNN用于解决文本分类问题的对比：
-
- CNN不能完美解决序列式问题
- CNN卷积相当于N-gram（使用一定长度的卷积核），LSTM可以提取更长的依赖
- 双向RNN会增强效果
- CNN模型并行程度高，更快