在训练CNN时，输入word2vec是如何微调的？

Question

当我读到“用于句子分类的卷积神经网络”时，我注意到该论文实现了“CNN-非静态”模型--一个使用来自word2vec的预训练向量的模型，所有的单词--包括随机初始化的未知单词，和预训练向量对每个任务都进行了微调。所以我只是不明白预先训练好的向量是如何对每个任务进行微调的。因为据我所知，输入向量是由word2vec.bin(预训练)从字符串转换而来的，就像图像矩阵一样，在训练CNN过程中不能改变。所以，如果可以的话，怎么做？请帮我一下，提前谢谢！

Answer 1

嵌入词是神经网络的权重，因此可以在反向传播过程中进行更新。

例如http://sebastianruder.com/word-embeddings-1/：

自然，每一个前馈神经网络都将词汇中的单词作为输入，并将它们作为向量嵌入到一个较低维的空间中，然后通过反向传播对其进行微调，必然会产生单词嵌入作为第一层的权重，这通常被称为嵌入层。