这张图比较直观，下文以这张图为样例，从左到右分为6步，这里忽略第六步的softmax输出：

第一步：

在第一步的矩阵中，每一行对应一个词向量，纵向堆叠，形成一个矩阵，代表一个句子，形状为7x5（词向量维度为5，一共7个单词）

第二步：

开始构建卷积核，这张图的样例中考虑三个过滤器 (filter) 宽度 (2,3,4) ，每个宽度有两个过滤器（生成两个feature map）

过滤器简单来说代表一些卷积核的集合，假设有一个3通道的原始输入，有两个卷积核（即2通道），则这两个卷积核会在每个通道上都卷积一次，最终生成6个结果（因为原输入有3个通道，一个卷积核会应用三次），此时再把相同卷积核生成的结果加在一起，最后生成两张feature map，而过滤器指的就是这两个卷积核的集合

在单通道的情况下（即一个卷积核），卷积核和过滤器可以看成一个东西

更详细的可以看这篇文章：卷积核（kernel）和过滤器（filter）的区别_filter和kernal的区别-CSDN博客

可以看到这里的卷积核大小是 region \times d，region指宽度，d指词向量的维度

第三步：

卷积过后，每个宽度会生成两个特征图（feature map），因为是1维卷积，所以这里是在左侧原始输入的竖直方向卷积，这里的例子中 stride=1, padding=0

第四步：

然后进行1维的最大池化（max pooling），每个特征图都被池化成了一个值，剩下6个值

第五步：

把这六个值拼接在一起，重新成为一个特征向量