济南手机网站建设公司百度移动端排名软件

在Pytorch中涉及张量的操作都会涉及“dim”的设置，虽然也理解个大差不差，但是偶尔还是有点犯迷糊，究其原因还是没有形象化的理解。

首先，张量的维度排序是有固定顺序的，0，1，2，......，是遵循一个从外到内的索引顺序；张量本身的维度越高，往内延伸的维度数越高。

“dim define what operation elements is”——这是我自己的形象化理解。

看一组代码：

>>> ones = torch.ones(3,4)
>>> ones
tensor([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]])
>>> zeros = torch.zeros(3,4)
>>> zeros
tensor([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])
>>> ra = torch.arange(12).view(3,4)
>>> ra
tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])>>> torch.stack((ra,zeros),dim=0)
tensor([[[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.]],[[ 0.,  0.,  0.,  0.],[ 0.,  0.,  0.,  0.],[ 0.,  0.,  0.,  0.]]])
>>> torch.stack((ones,zeros),dim=0)
tensor([[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])
>>> torch.stack((ones,zeros),dim=-1)
tensor([[[1., 0.],[1., 0.],[1., 0.],[1., 0.]],[[1., 0.],[1., 0.],[1., 0.],[1., 0.]],[[1., 0.],[1., 0.],[1., 0.],[1., 0.]]])
>>> torch.stack((ra,zeros),dim=-1)
tensor([[[ 0.,  0.],[ 1.,  0.],[ 2.,  0.],[ 3.,  0.]],[[ 4.,  0.],[ 5.,  0.],[ 6.,  0.],[ 7.,  0.]],[[ 8.,  0.],[ 9.,  0.],[10.,  0.],[11.,  0.]]])
>>> torch.stack((ra,zeros),dim=1)
tensor([[[ 0.,  1.,  2.,  3.],[ 0.,  0.,  0.,  0.]],[[ 4.,  5.,  6.,  7.],[ 0.,  0.,  0.,  0.]],[[ 8.,  9., 10., 11.],[ 0.,  0.,  0.,  0.]]])
>>> print("dim define what operation elements is")
dim define what operation elements is
>>> 
>>> 

看完代码你应该会比较形象化的理解最后一句话：dim其实定义了参与操作的元素是什么样的。对于一个batch的数据来说，dim=0上定义的是一个个样本，dim=1定义了第二个维度即每个样本的特征维度，......， dim=-1代表了从最底层的逐个数值操作。