今天碰到一个代码看起来很简单,但是细究原理又感觉好像不太通不太对劲,就是多维tensor数据的操作,比如:
y.sum(dim=2)
,乍一看很简单数据相加操作,但是仔细一想,这里在第3维度的数据到底是横向相加还是纵向相加,带着疑问实验几次就明白了。
首先给个完整的例子:
import torch
y = torch.tensor([
[
[1, 2, 3],
[4, 5, 6]
],
[
[1, 2, 3],
[4, 5, 6]
],
[
[1, 2, 3],
[4, 5, 6]
]
])
print(y.sum(dim=2))
这里的y.shape = (3, 2, 3),三个维度的数据,所以dim可以是0~2也可以是-1~-3。我们每个维度都进行操作一遍就清楚了。文章来源:https://www.toymoban.com/news/detail-758452.html
- 当dim=0时,相当于有3个二维的向量进行相加,结果还是一个二维向量(对应位置相加):
y.shape = (3, 2, 3) —> y.shape = (2, 3) - 当dim=1时,相当于有2个一维的向量进行相加×3,结果是1个一维向量×3则还是一个二维向量:
y.shape = (3, 2, 3) —> y.shape = (3, 3) - 当dim=2时,相当于有3个数值进行相加×2×3,结果两个值组成一维向量,三个一维向量组成二维向量:
y.shape = (3, 2, 3) —> y.shape = (3, 2)
其他的数据操作也是这样类似的思想。
总结:从中可以看出只要对一个n维度的数据的其中一维进行操作的话,得到的结果会是n-1维的向量,shape则是去掉那一维的个数。文章来源地址https://www.toymoban.com/news/detail-758452.html
到了这里,关于关于pytorch中的dim的理解的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网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TOY模板网!