卷积神经网络发展趋势。Perceptron(感知机)，1957年，Frank Resenblatt提出，始祖。Neocognitron(神经认知机)，多层级神经网络，日本科学家Kunihiko fukushima，20世纪80年代提出，一定程度视觉认知功能，启发卷积神经网络。LeNet-5，CNN之父，Yann LeCun，1997年提出，首次多层级联卷积结构，手写数字有效识别。2012年，Hinton学生Alex，8层卷积神经网络，ILSVRC 2012比赛冠军。AlexNet 成功应用ReLU激活函数、Dropout、最大覆盖池化、LRN层、GPU加速，启发后续技术创新，卷积神经网络研究进入快车道。

AlexNetx后，卷积神经网络，一类网络结构改进调整，一类网络深度增加。

Perceptron(1957)
Neocognitron(198x)
NIN(2013) VGG(2014)
Incepiton V1(2014) MSRANet(2014)
Incepiton V2(2015) ResNet(2015)
Incepiton V3(2015) ResNet V2(2015)
Inception ResNet V2(2016)

2013年，颜水成教授，Network in Network首次发表，优化卷积神经网络结构，推广1x1卷积结构。2014年，Google Incepiton Net V1,Inception Module，反复堆叠高效卷积网络结构，ILSVRC 2014冠军。2015年初，Incepiton V2,Batch Normalization，加速训练过程，提升网络性能。2015年末，Inception V3,Factorization in Small Convolutions思想，分解大尺寸卷积为多个小卷积或一维卷积。

2014年，ILSVRC亚军，VGGNet，全程3x3卷积，19层网络。季军MSRA-Net(微软)也是深层网络。2015年，微软ResNet，152层网络，ILSVRC 2015冠军，top-5错误率3.46%。ResNet V2,Batch Normalization，去除激活层，用Identity Mapping或Preactivation，提升网络性能。Inception ResNet V2,融合Inception Net网络结构,和ResNet训练极深网络残差学习模块。

GPU计算资源，开源工具。

循环神经网络(RNN)，NLP(Nature Language Processing，自然语言处理)最常用神经网络结构。Word2Vec，语言字词转化稠密向量(Dense Vector)。

Word2Vec，Word Embeddings，词向量或词嵌入。语言字词转向量形式表达(Vector Representations)模型。图片，像素点稠密矩阵，音频，声音信号频谱数据。

One-Hot Encoder，字词转离散单独符号。一个词对应一个向量，整篇文章对应一个稀疏矩阵。文本分类模型，Bag of Words，稀疏矩阵合并为一个向量，每个词对应向量计数，统计词出现次数，作为特征。特征编码随机，没有关联信息，没有字词关系。稀疏向量需要更多数据训练，训练效率低，计算麻烦。

向量表达(Vector Representations)，向量空间模型(Vector Space Models)，字词转连续值向量表达，意思相近词映射向量空量空间相近位置。向量空间模型在NLP依赖假设Distributional Hypothesis，相同语境词语义相近。向量空间模型，分两类，计数模型(Latent Semantic Analysis)，预测模型(Neural Probabilistic Language Models)。计数模型统计语料库相邻词频率，计数统计结果转小稠密矩阵，预测模型根据词周围相邻词推测出这个词和空间向量。

Word2Vec，计算非常高效，从原始语料学习字词空间向量预测模型。CBOW(Continuous Bag of Words)模式从原始语句推测目标字词，适合小型数据。Skip-Gram从目标字词推测原始语句，适合大型语料。意思相近词向量空间位置接近。

预测模型(Neural Probabilistic Language Models)，用最大似然方法，给定前语句h，最大化目标词汇Wt概率。计算量大，需计算词汇表所有单词出现可能性。Word2Vec CBOw模型，只需训练二元分类模型，区分真实目标词汇、编造词汇(噪声)两类。少量噪声词汇估计，类似蒙特卡洛模拟。

模型预测真实目标词汇高概率，预测其他噪声词汇低概率，训练学习目标最优化。编造噪声词汇训练，Negative Sampling，计算loss fuction效率非常高，只需计算随机选择k个词汇，训练速度快。Noise_contrastive Estimation(NCE) Loss，TensorFlow tf.nn.nce_loss。

Word2Vec Skip-Gram模式。构造语境与目标词汇映射关系。语境包括单词左边和右边词汇。滑窗尺寸 1。Skip-Gram模型，从目标词汇预测语境。制造随机词汇作负样本(噪声)。预测概率分布，正样本尽可能大，随机产生负样本尺可能小。优化算法(SGD)更新模型Word Embedding参数，概率分布损失函数(NCE Loss)尽可能小。单词Embedded Vector随训练过程调整，直到最适合语料空间位置。损失函数最小，最符合语料，预测正确单词概率最高。

载入依赖库。

定义下载广西数据函数，urllib.request.urlretrieve下载数据压缩文件核文件尺寸。已下载跳过。

解压下载压缩文件，tf.compat.as_str 数据转单词列表。数据转为17005207单词列表。

创建vocabulary词汇表，collections.Counter统计单词列表单词频数，most_common方法取top 50000频数单词作vocabulary。创建dict，top 50000词汇vocabulary放入dictionary，快速查询。Python dict查询复杂度O(1)，性能好。全部单词转编号(频数排序编号)。top50000以外单词，认定为Unkown(未知)，编号0,统计数量。遍历单词列表，每个单词，判断是否出现在dictionary，是转编号，不是编0。返回转换编码(data)、单词频数统计count、词汇表(dictionary)、反转形式(reverse_dictionary)。

删除原始单词列表，节约内存。打印vocabulary最高频词汇、数量(包括Unknow词汇)。“UNK”类418391个。“the”1061396个。“of”593677个。data前10单词['anarchism','originated','as','a','term','of','abuse','first','used','against'],编号[5235,3084,12,6,195,2,3137,46,59,156]。

生成Word2Vec训练样本。Skip-Gram模式(从目标单词反推语境)。定义函数generate_batch生成训练batch数据。参数batch_size为b