pytorch 中的dim的作用范围详解
作者：mingqian_chu
ptorch中的dim类似于numpy纵的axis,这篇文章给大家介绍pytorch 中的dim的作用范围,不同的运算, dim 的作用域都是一样的思想,本文给大家介绍的非常详细,需要的朋友参考下吧
dim简介
pytorch中对tensor的很多操作都涉及到dim（维度的设置），但是，我们总是搞不清楚每个维度代表什么，到底设置几维，比如sum（求和）、softmax、max（最大值）。
下面看下pytorch 中的dim的作用范围。
1. 二维矩阵时
不同的运算， dim 的作用域都是一样的思想；
当数据是二维矩阵时， 可以按照下面的思想理解：
对于矩阵：
dim=0 按列操作（沿列向下）。
dim=1 按行操作（跨行）。
解释如下：
dim=0 ：这是指张量的第一个维度，通常被视为行。如果您沿此维度应用函数，它将按列处理数据。换句话说，该函数独立地应用于每一列。
dim=1 ：这是指张量的第二维，通常被视为列。当您沿此维度应用函数时，它会按行处理数据。也就是说，该函数独立地应用于每一行。
1.1 求和
>> a = torch.Tensor([[1,2,3], [4,5,6]]) >> print(a.shape) torch.Size([2, 3]) >> print(torch.sum(a, dim=0)) tensor([5., 7., 9.]) >> print(torch.sum(a, dim=1)) tensor([ 6., 15.])
1.2 softmax
dim = 0) #对每一列进行softmax；
dim =1) #对每一行进行softmax；
import torch import torch.nn.functional as F x= torch.Tensor( [ [1,2,3,4],[1,2,3,4],[1,2,3,4]]) y1= F.softmax(x, dim = 0) #对每一列进行softmax print(y1) y2 = F.softmax(x,dim =1) #对每一行进行softmax print(y2) x1 = torch.Tensor([1,2,3,4]) print(x1) y3 = F.softmax(x1,dim=0) #一维时使用dim=0，使用dim=1报错 print(y3)
(deeplearning) userdeMBP:pytorch user$ python test.py
tensor([[0.3333, 0.3333, 0.3333, 0.3333],
[0.3333, 0.3333, 0.3333, 0.3333],
[0.3333, 0.3333, 0.3333, 0.3333]])
tensor([[0.0321, 0.0871, 0.2369, 0.6439],
[0.0321, 0.0871, 0.2369, 0.6439],
[0.0321, 0.0871, 0.2369, 0.6439]])
tensor([1., 2., 3., 4.])
tensor([0.0321, 0.0871, 0.2369, 0.6439])2. 三维张量时
当dim=0时， 是对每一维度相同位置的数值进行softmax运算，和为1
当dim=1时， 是对某一维度的列进行softmax运算，和为1
当dim=2时， 是对某一维度的行进行softmax运算，和为1
import torch import torch.nn.functional as F input= torch.randn(2,2,3)) print(input)
dim= 0,
dim=1,
dim =2
到此这篇关于pytorch 中的dim 的作用范围的文章就介绍到这了,更多相关pytorch dim内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！