PyTorch torch.nn.Conv1d 関数
torch.nn.Conv1dPyTorch の一次元畳み込みモジュールです。
主にテキスト、音声、時系列信号などのシーケンスデータを処理するために使用されます。
関数定義
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
パラメータの説明
in_channels: 入力チャンネル数out_channels: 出力チャンネル数kernel_size: カーネルサイズ
使用例
例1:基本的な使い方
インスタンス
import torch
import torch.nn as nn
# 一次元畳み込み:入力チャンネル=3、出力チャンネル=64、カーネルサイズ=3
conv1d = nn.Conv1d(in_channels=3, out_channels=64, kernel_size=3, padding=1)
# 入力:batch=4、チャンネル=3、シーケンス長=100
x = torch.randn(4, 3, 100)
output = conv1d(x)
print("入力形状:", x.shape)
print("出力形状:", output.shape)
import torch.nn as nn
# 一次元畳み込み:入力チャンネル=3、出力チャンネル=64、カーネルサイズ=3
conv1d = nn.Conv1d(in_channels=3, out_channels=64, kernel_size=3, padding=1)
# 入力:batch=4、チャンネル=3、シーケンス長=100
x = torch.randn(4, 3, 100)
output = conv1d(x)
print("入力形状:", x.shape)
print("出力形状:", output.shape)
例2:テキスト分類
インスタンス
import torch
import torch.nn as nn
class TextCNN(nn.Module):
def __init__(self, vocab_size, embed_dim, num_classes):
super(TextCNN, self).__init__()
# 埋め込み層: (batch, seq) -> (batch, embed, seq)
self.embedding = nn.Embedding(vocab_size, embed_dim)
# 異なるサイズの複数のカーネル
self.convs = nn.ModuleList([
nn.Conv1d(embed_dim, 128, kernel_size=k)
for k in [2, 3, 4, 5]
])
self.fc = nn.Linear(128 * 4, num_classes)
def forward(self, x):
# x: (batch, seq)
x = self.embedding(x) # (batch, seq, embed)
x = x.permute(0, 2, 1) # (batch, embed, seq)
# 畳み込み + ReLU + GlobalMaxPool
pooled = []
for conv in self.convs:
c = conv(x) # (batch, 128, seq')
c = nn.functional.relu(c)
c = c.max(dim=2)[0] # Global max pooling
pooled.append(c)
x = torch.cat(pooled, dim=1)
return self.fc(x)
# テスト
model = TextCNN(vocab_size=10000, embed_dim=128, num_classes=2)
x = torch.randint(0, 10000, (4, 50)) # batch=4, seq=50
output = model(x)
print("入力形状:", x.shape)
print("出力形状:", output.shape)
import torch.nn as nn
class TextCNN(nn.Module):
def __init__(self, vocab_size, embed_dim, num_classes):
super(TextCNN, self).__init__()
# 埋め込み層: (batch, seq) -> (batch, embed, seq)
self.embedding = nn.Embedding(vocab_size, embed_dim)
# 異なるサイズの複数のカーネル
self.convs = nn.ModuleList([
nn.Conv1d(embed_dim, 128, kernel_size=k)
for k in [2, 3, 4, 5]
])
self.fc = nn.Linear(128 * 4, num_classes)
def forward(self, x):
# x: (batch, seq)
x = self.embedding(x) # (batch, seq, embed)
x = x.permute(0, 2, 1) # (batch, embed, seq)
# 畳み込み + ReLU + GlobalMaxPool
pooled = []
for conv in self.convs:
c = conv(x) # (batch, 128, seq')
c = nn.functional.relu(c)
c = c.max(dim=2)[0] # Global max pooling
pooled.append(c)
x = torch.cat(pooled, dim=1)
return self.fc(x)
# テスト
model = TextCNN(vocab_size=10000, embed_dim=128, num_classes=2)
x = torch.randint(0, 10000, (4, 50)) # batch=4, seq=50
output = model(x)
print("入力形状:", x.shape)
print("出力形状:", output.shape)
例3:音声処理
インスタンス
import torch
import torch.nn as nn
# 音声特徴抽出
conv_audio = nn.Conv1d(in_channels=1, out_channels=32, kernel_size=5, stride=2)
# モノラル音声:batch=4、チャンネル=1、サンプリングポイント=16000
audio = torch.randn(4, 1, 16000)
output = conv_audio(audio)
print("入力形状:", audio.shape)
print("出力形状:", output.shape)
print("出力長:", output.shape[2])
import torch.nn as nn
# 音声特徴抽出
conv_audio = nn.Conv1d(in_channels=1, out_channels=32, kernel_size=5, stride=2)
# モノラル音声:batch=4、チャンネル=1、サンプリングポイント=16000
audio = torch.randn(4, 1, 16000)
output = conv_audio(audio)
print("入力形状:", audio.shape)
print("出力形状:", output.shape)
print("出力長:", output.shape[2])
使用シーン
- テキスト分類: TextCNN
- 音声処理: 音声特徴抽出
- 時系列: 信号フィルタリング
注意:入力テンソルの形状は (batch, channels, length) です。
その他の拡張