pytorch的variable pytorch维度顺序

论文深入解析了PyTorch中Tensor的维度处理方式创建，主题了Tensor行为时大小参数的实现，以及torch.Tensor.sum()和torch.Tensor.softmax()等方法理解中轴参数的。通过详细的示例和解释，帮助读者PyTorch张量在维度上的操作逻辑，从而更有效地利用PyTorch进行深度学习模型的开发和训练。张量创建

在PyTorch中创建张量时，大小参数用于指定张量的形状。大小参数接受一个元组，元组中的每个元素代表一个维度的大小。需要注意的是，大小参数指定维度时，是从最后一个元素到第一个元素，即最后一个元素代表列数，倒数第二个元素代表行数，以此类推。import torch# 可以简写：tensor1 = torch.ones((2， 3))tensor2 = torch.ones(2， 3)# 不能简写：tensor3 = torch.randint(10， (2， 3))print(tensor1.shape) # 输出： torch.Size(tensor([[2.， 2.， 2.]，[2.， 2.， 2.]，[2.， 2.， 2.]，[2.， 2.， 2.]])

从上表可以看出，torch.sum(axis=-1)对于行求（一维张量），结果是一个数字，它只求求中所有元素的总和；对于一列的矩阵，由于只有一行，因此总和等于矩阵的原始值；对于只有一行的矩阵，结果是一个大小为 1 的一维求和，其唯一元素是矩阵中所有元素的总和；对于矩阵的矩阵和张量，求并发生在“每行”，当你考虑到 Tensor的标准显示时间。降低维度和“移动”每个轴。 最后一个轴消失，第二个轴位置由倒数第二个轴激动，倒数个轴的位置由倒数第三个轴激动，此类依推。这可能会令人困惑，因为PyTorch似乎“旋转”了结果矩阵，但这种行为是因为张量中的最后一个维度始终是列数并如此显示。

对于轴参数的其他指定，行为类似。张量变换

在张量变换中，原始张量以 torch.softmax() 即：softmax 变换这些值，使其总和等于 1。softmax 变换这些值，使它们的总和等于 1。dim 参数允许你选择沿哪个轴的元素总和等于 1：import torch# 对于 dim=-1，沿列的总和等于 1：tensor4 = torch.randn((2， 2， 2)).softmax(dim=-1)print(tensor4)# 对于dim=-2，沿行的总和等于1：tensor5 = torch.randn((2， 2， 2)).softmax(dim=-2)print(tensor5)登录后复制

注意事项：理解行为大小参数的顺序以正确创建张量关键。axis参数指定了操作沿哪个轴进行，理解其正确进行张量聚合和变换关键。

Tensor 的维度处理是 PyTorch 中一个重要的概念，熟练掌握可以帮助你更有效地利用 PyTorch 进行深度学习模型的开发和训练。

总结：

论文详细介绍了 PyTorch 中 Tensor 的维度处理方式，Tensor 的创建、聚合和转换。通过学习论文，你应该能够更好地理解 PyTorch Tensor 在维度上的操作逻辑，从而包括更有效地利用PyTorch 进行深度学习模型的开发和训练。

以上就是PyTorch Tensor维度处理详解：创建、聚合与变换的详细内容，更多请关注乐哥常识网其他相关文章！