torch.sum(),dim=0,dim=1解析

直接上代码：

# 定义一个2维张量a
a = torch.tensor([[1,2,3],[4,5,6]])
print(a)
a.shape

output:

tensor([[ 1,  2,  3],[ 4,  5,  6]])
torch.Size([2, 3])
# 2行3列，没毛病

dim=0，降维（纵向压缩）

b = torch.sum(a,dim=0)
print(b)
b.shape

output:

tensor([ 5,  7,  9])
torch.Size([3])

5 = 1 + 4
7 = 2 + 5
9 = 3 + 6

此时b为1维张量，是一个向量，且剩余元素个数与a的列数相等。

假想a是一个站着的弹簧，从上向下压缩它，就是sum(dim=0)的效果。

dim=1，降维（横向压缩）

c = torch.sum(a,dim=1)
print(c)
c.shape

output:

tensor([  6,  15])
torch.Size([2])

6 = 1 + 2 + 3
15 = 4 + 5 +6

此时c也为1维张量，是一个向量，且剩余元素个数与a的行数相等。

假想a是一个躺着的弹簧，从右向左压缩它，就是sum(dim=1)的效果。

torch.sum(),dim=0,dim=1解析相关推荐

torch.cat 关于 dim=0,dim=1 测试
文章目录 1.torch.cat 2. 代码 3. 结果 4. 总结: 1.torch.cat 官方说明:torch.cat torch.cat(tensors, dim=0, *, out=None ...
【PyTorch】torch.mean(), dim=0, dim=1
对于torch.mean(s,dim=0),表示跨行求平均. 同理,对于dim=1为第一个维度,代表列. 对于torch.sum(s,dim=1),表示跨列求平均.
torch.sum()的用法
torch.sum()对输入的tensor数据的某一维度求和,一共两种用法 1．torch.sum(input, dtype=None) 2．torch.sum(input, list: dim, b ...
torch.sum()函数
torch.sum()对输入的tensor数据的某一维度求和,一共两种用法 1.torch.sum()不使用dim torch.sum(input, dtype=None) 2.torch.sum() ...
pytorch torch.norm(input, p=2) → float、torch.norm(input, p, dim, out=None) → Tensor（求范数）
torch.norm 用法1: torch.norm(input, p=2) → float 返回输入张量input 的p 范数. 参数: input (Tensor) – 输入张量 p (float ...
Pytorch中tensor维度和torch.max()函数中dim参数的理解
Pytorch中tensor维度和torch.max()函数中dim参数的理解维度参考了 https://blog.csdn.net/qq_41375609/article/details/106 ...
_,predicted = torch.max(outputs.data,dim)
dim=1时,按行返回最大值所在索引 dim=0时,按列返回最大值所在索引 _,predicted = torch.max(outputs.data,dim):返回最大值所在索引 predicted ...
Pytorch中torch.nn.Softmax的dim参数含义
自己搞了一晚上终于搞明白了,下文说的很透彻,做个记录,方便以后翻阅 Pytorch中torch.nn.Softmax的dim参数含义
PyTorch基础（11）----- torch.sum()方法
方法1详解 torch.sum(input, *, dtype=None) → Tensor input:输入的张量案例 x = torch.randn(1, 3) print(x) y = tor ...

torch.sum(),dim=0,dim=1解析

直接上代码：

dim=0，降维（纵向压缩）

dim=1，降维（横向压缩）

torch.sum(),dim=0,dim=1解析相关推荐

最新文章

热门文章