Pytorch 中的 dim操作介紹

本篇內(nèi)容介紹了“Pytorch 中的 dim操作介紹”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

Pytorch 中對 tensor 的很多操作如sum、argmax、等都可以設(shè)置dim參數(shù)用來指定操作在哪一維進(jìn)行。Pytorch 中的 dim 類似于 numpy 中的 axis，這篇文章來總結(jié)一下 Pytorch 中的 dim 操作。

dim 與方括號(hào)的關(guān)系

創(chuàng)建一個(gè)矩陣

a = torch.tensor([[1, 2], [3, 4]])
print(a)

輸出

tensor([[1, 2],
        [3, 4]])

因?yàn)?code>a是一個(gè)矩陣，所以a的左邊有 2 個(gè)括號(hào)

括號(hào)之間是嵌套關(guān)系，代表了不同的維度。從左往右數(shù)，兩個(gè)括號(hào)代表的維度分別是 0 和 1 ，在第 0 維遍歷得到向量，在第 1 維遍歷得到標(biāo)量

同樣地，對于 3 維 tensor

b = torch.tensor([[[3, 2], [1, 4]], [[5, 6], [7, 8]]])
print(b)

輸出

tensor([[[3, 2],
         [1, 4]],

        [[5, 6],
         [7, 8]]])

則 3 個(gè)括號(hào)代表的維度從左往右分別為 0, 1, 2，在第 0 維遍歷得到矩陣，在第 1 維遍歷得到向量，在第 2 維遍歷得到標(biāo)量

更詳細(xì)一點(diǎn)

在指定的維度上進(jìn)行操作

在某一維度求和（或者進(jìn)行其他操作）就是對該維度中的元素進(jìn)行求和。
對于矩陣 a

a = torch.tensor([[1, 2], [3, 4]])
print(a)

輸出

tensor([[1, 2],
        [3, 4]])

求 a 在第 0 維的和，因?yàn)榈?0 維代表最外邊的括號(hào)，括號(hào)中的元素為向量[1, 2]，[3, 4]，第 0 維的和就是第 0 維中的元素相加，也就是兩個(gè)向量[1, 2]，[3, 4]相加，所以結(jié)果為

s = torch.sum(a, dim=0)
print(s)

輸出

tensor([4, 6])

可以看到，a 是 2 維矩陣，而相加的結(jié)果為 1 維向量，可以使用參數(shù)keepdim=True來保證形狀不變

s = torch.sum(a, dim=0, keepdim=True)
print(s)

輸出

tensor([[4, 6]])

在 a 的第 0 維求和，就是對第 0 維中的元素（向量）進(jìn)行相加。同樣的，對 a 第 1 維求和，就是對 a 第 1 維中的元素（標(biāo)量）進(jìn)行相加，a 的第 1 維元素為標(biāo)量 1，2 和 3，4，則結(jié)果為

s = torch.sum(a, dim=1)
print(s)

輸出

tensor([3, 7])

保持維度不變

s = torch.sum(a, dim=1, keepdim=True)
print(s)

輸出

tensor([[3],
        [7]])

對 3 維 tensor 的操作也是這樣

b = torch.tensor([[[3, 2], [1, 4]], [[5, 6], [7, 8]]])
print(b)

輸出

tensor([[[3, 2],
         [1, 4]],

        [[5, 6],
         [7, 8]]])

將 b 在第 0 維相加，第 0 維為最外層括號(hào)，最外層括號(hào)中的元素為矩陣[[3, 2], [1, 4]]和[[5, 6], [7, 8]]。在第 0 維求和，就是將第 0 維中的元素（矩陣）相加

s = torch.sum(b, dim=0)
print(s)

輸出

tensor([[ 8,  8],
        [ 8, 12]])

求 b 在第 1 維的和，就是將 b 第 1 維中的元素[3, 2]和[1, 4],[5, 6]和[7, 8]相加，所以

s = torch.sum(b, dim=1)
print(s)

輸出

tensor([[ 4,  6],
        [12, 14]])

則在 b 的第 2 維求和，就是對標(biāo)量 3 和 2, 1 和 4, 5 和 6 , 7 和 8 求和

s = torch.sum(b, dim=2)
print(s)

結(jié)果為

tensor([[ 5,  5],
        [11, 15]])

除了求和，其他操作也是類似的，如求 b 在指定維度上的最大值

m = torch.max(b, dim=0)
print(m)

b 在第 0 維的最大值是第 0 維中的元素（兩個(gè)矩陣[[3, 2], [1, 4]]和[[5, 6], [7, 8]]）的最大值，取矩陣對應(yīng)位置最大值即可
結(jié)果為

torch.return_types.max(
values=tensor([[5, 6],
        [7, 8]]),
indices=tensor([[1, 1],
        [1, 1]]))

b 在第 1 維的最大值就是第 1 維元素（4 個(gè)（2對）向量）的最大值

m = torch.max(b, dim=1)
print(m)

輸出為

torch.return_types.max(
values=tensor([[3, 4],
        [7, 8]]),
indices=tensor([[0, 1],
        [1, 1]]))

b 在第 0 維的最大值就是第 0 為元素（8 個(gè)（4 對）標(biāo)量）的最大值

m = torch.max(b, dim=2)
print(m)

輸出

torch.return_types.max(
values=tensor([[3, 4],
        [6, 8]]),
indices=tensor([[0, 1],
        [1, 1]]))

總結(jié)

在 tensor 的指定維度操作就是對指定維度包含的元素進(jìn)行操作，如果想要保持結(jié)果的維度不變，設(shè)置參數(shù)keepdim=True即可。

“Pytorch 中的 dim操作介紹”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！