diff --git a/docs/Lecture 11/Lecture11.md b/docs/Lecture 11/Lecture11.md
new file mode 100644
index 0000000000000000000000000000000000000000..95f732cb5f58998f902c9fc972af96ec2c6fa7d5
--- /dev/null
+++ b/docs/Lecture 11/Lecture11.md	
@@ -0,0 +1,169 @@
+# Lecture 11: NLP中的卷积神经网络
+## 从循环神经网络到卷积神经网络
+循环神经网络不能捕获没有前文的短语
+
+通常在最后的向量中捕获太多最后的单词
+- E.g., softmax通常在最后一步使用
+
+卷积层的**主要思想**：
+如果我们对于每个特定长度的所有可能的单词子序列都计算向量呢？
+- 举个例子: 对"tentative deal reached to keep government open" 这句话会计算的短语向量如下:
+- - tentative deal reached, deal reached to, reached to keep, to keep government, keep government open
+
+不在乎短语是否合乎语法
+
+在语言学或认知学上都不太可信
+
+> 有关卷积在其他领域的含义以及它在图像领域的研究在此不展开，有兴趣的自行搜索
+
+## 卷积神经网络在NLP中的应用
+下面将以上面提到的英文句子为例，直观地看一些基本的、常见的用于文本的卷积操作
+#### a) 用于文本处理的一维卷积
+![pic4](https://github.com/Originval/Learning/blob/master/pics/pic4.png?raw=true)
+
+#### b) 带有填充(padding)的用于文本处理的一维卷积
+![pic5](https://github.com/Originval/Learning/blob/master/pics/pic5.png?raw=true)
+
+#### c) 通道数为3，padding为1的一维卷积
+![pic6](https://github.com/Originval/Learning/blob/master/pics/pic6.png?raw=true)
+
+#### d) 一维卷积，带填充和基于时间的最大池化
+![pic7](https://github.com/Originval/Learning/blob/master/pics/pic7.png?raw=true)
+
+#### e) 一维卷积，带填充和基于时间的平均池化
+![pic8](https://github.com/Originval/Learning/blob/master/pics/pic8.png?raw=true)
+
+### 使用PyTorch的相关参数
+
+```
+batch_size = 16
+word_embed_size = 4
+seq_len = 7
+input = torch.randn(batch_size, word_embed_size, seq_len)
+conv1 = Conv1d(in_channels=word_embed_size, out_channels=3, kernel_size=3)   # can add: padding=1
+hidden1 = conv1(input)
+hidden2 = torch.max(hidden1, dim=2)     # max pool
+```
+
+## 用于句子分类的单层卷积神经网络
+参考论文：
+1. [Convolutional Neural Networks for Sentence Classification](https://arxiv.org/pdf/1408.5882.pdf) Yoon Kim (2014)  EMNLP. 
+2. A variant of convolutional NNs of Collobert, Weston et al. (2011)
+
+目标：句子分类
+- 主要对句子是积极的还是消极的进行情感分类
+- 其他的任务有：
+- - 主语和客观语句的分类
+- - 对有关任务，地点，数字等问题的分类
+
+> 其他的一些符号或说明可查看相关的论文
+
+### 单层卷积神经网络
+过滤器w会被用到所有可能的窗口上 (连接的向量)
+
+卷积层中计算特征（单通道）的公式：![image](https://github.com/Originval/Learning/blob/master/pics/1.png?raw=true)
+
+句子的表示形式：![image](https://github.com/Originval/Learning/blob/master/pics/2.png?raw=true)
+
+所有可能的窗口长度为h：![image](https://github.com/Originval/Learning/blob/master/pics/3.png?raw=true)
+
+返回结果是一个特征映射：![image](https://github.com/Originval/Learning/blob/master/pics/4.png?raw=true)
+
+### 池化和通道
+池化采用的是基于时间的最大池化
+
+思路：捕获最重要的激活值
+
+通过特征映射 ![image](https://github.com/Originval/Learning/blob/master/pics/4.png?raw=true)
+
+经池化得到的单个数字：![image](https://github.com/Originval/Learning/blob/master/pics/6.png?raw=true)
+
+使用的多个过滤器的权重为w，采用不同的窗口尺寸h会很有用，因为最大池化![image](https://github.com/Originval/Learning/blob/master/pics/6.png?raw=true)，c的无关的长度![image](https://github.com/Originval/Learning/blob/master/pics/4.png?raw=true)，所以我们可以用一些过滤器来观察1元语法，2元语法，3元语法，等等。
+
+### 多通道输入的思路
+- 用预训练词向量初始化（word2vec或Glove）
+- 从两份副本开始
+- 只通过其中一个集合反向传播，其他保持静态
+- 在最大池化前，把两个通道集都加到ci
+
+### 在一层卷积层之后分类
+![(p18)](https://github.com/Originval/Learning/blob/master/pics/pic18.png?raw=true)
+- 首先是一个卷积层，然后是最大池化层
+- 获取最终的特征向量（使用100个特征映射，每个尺寸是3，4，5）
+- 最后是简单的softmax层
+
+参考论文：[Zhang and Wallace(2015) A Sensitivity Analysis of (and Practitioners’ Guide to) Convolutional Neural Networks for Sentence Classification](https://arxiv.org/pdf/1510.03820.pdf)
+
+### 正则化
+使用Dropout：为概率p（超参数）为1的伯努利随机变量创建mask向量r；在训练过程中删除一些特征：![image](https://github.com/Originval/Learning/blob/master/pics/7.png?raw=true)。这样做是为了防止共适应（对于特定特征群的过度拟合）。但是在进行测试时，不需要dropout，按照概率p缩放最终向量![image](https://github.com/Originval/Learning/blob/master/pics/8.png?raw=true)
+
+也可以对每个类的权重向量（softmax权重中的每行）使用l2正则化约束为固定值s（也是超参数）。如果![image](https://github.com/Originval/Learning/blob/master/pics/9.png?raw=true)，就重新缩放![image](https://github.com/Originval/Learning/blob/master/pics/10.png?raw=true)
+
+### 模型比较
+- Bag of Vectors: 对简单的分类问题而言是很好的基准模型。尤其在其后加上ReLU层
+- Window Model：对不需要广泛上下文的单个词语的分类问题很不错。例如：词性标注，命名实体识别
+- CNNs： 分类的效果很好，对一些较短的短语需要0填充，较难解释，但比较容易用GPU并行训练。高效且功能丰富强大
+- Recurrent Neural Networks：在认知上似是而非，不适合分类（如果只使用最后的状态），比卷积神经网络慢很多，适合序列标记和分类，对语言模型很好，与注意力机制结合会很出色
+
+### 门控单元的垂直使用
+![(p45)](https://github.com/Originval/Learning/blob/master/pics/45.png?raw=true)
+- 我们在LSTMs和GRUs里看到的门控/跳过是一个总体概念，现在在很多地方使用
+- 关键思想——用捷径连接对候选更新进行求和，是让很深的网络工作所必须的
+
+### 批归一化(BatchNorm)
+- 通过使用卷积神经网络
+- 通过缩放激活值使其均值和单位方差为0来转换批次的卷积输出
+- - 这是统计学中常见的z变换
+- - 但是每批次更新一次，所以波动不会影响太多
+- 使用批归一化使模型对参数初始化不那么敏感，因为输出使自动重新标度的
+- - 这也使对学习率的微调更简单
+- 在PyTorch中使用nn.BatchNorm1d
+
+### 1x1卷积
+1x1卷积，即网络中的网络(Network-in-Network)连接，具有kernel_size=1的卷积内核,它给你跨越通道的全连接线性层，也可用于从多个通道映射到更少的通道。
+
+此外，1x1卷积只增加了很少的额外参数，就增加了额外的神经网络层，不像全连接(FC)那样增加了很多参数。
+
+### CNN的应用：翻译
+![(p44)](https://github.com/Originval/Learning/blob/master/pics/44.png?raw=true)
+
+- 最早成功的神经机器翻译之一
+- 使用CNN进行编码，RNN进行解码
+
+#### 论文 Learning Character-level Representations for Part-of-Speech Tagging
+- 对字符的卷积生成词嵌入
+- 使用PoS标记的固定词嵌入窗口长度
+
+#### 论文 Character-Aware Neural Language Models
+- 基于字符的词嵌入
+- 利用卷积，Highway网络和LSTM
+
+## Quasi-Recurrent 神经网络
+![(p42)](https://github.com/Originval/Learning/blob/master/pics/42.png?raw=true)
+- 尝试将LSTM和CNN这两个模型的优点结合在一起 
+- 跨越时间的并行卷积
+- 跨通道并行的元素门控伪递归是在池化层中完成的
+
+### Q-RNN实验：语言模型
+介绍了论文(ICLR 2017) Quasi Recurrent Neural Networks
+![(p43)](https://github.com/Originval/Learning/blob/master/pics/43.png?raw=true)
+
+
+### Q-RNNs在情感分析中的应用
+通常比LSTM更好，更快
+
+可解释性较好
+
+### QRNN的局限性
+1. 在字符级的语言模型中不能表现得像LSTM一样好
+- 在更长的依赖中有困难
+
+2. 通常需要更深的网络才能取得和LSTM一样的性能
+- 当更深的时候它们仍然很快
+- 它们用深度代替真正的循环很有效
+
+### TransformersRNNs的缺点&Transformer的积极性
+![(p41)](https://github.com/Originval/Learning/blob/master/pics/41.png?raw=true)
+- 我们想要并行化，但是循环神经网络本质是顺序的
+- 尽管有GRUs和LSTMs，循环神经网络仍然从处理长距离依赖的注意力机制中获益——状态之间的路径长度随顺序增长
+
diff --git a/docs/Lecture 11/cs224n-2019-notes08-CNN.pdf b/docs/Lecture 11/cs224n-2019-notes08-CNN.pdf
new file mode 100644
index 0000000000000000000000000000000000000000..eda9ad578ec11dc00933b380d4f18b7af0438f1a
Binary files /dev/null and b/docs/Lecture 11/cs224n-2019-notes08-CNN.pdf differ