總結:
torch.function(x, dim)
1.if 不傳: 依照預設引數決定
2.if dim >=0 and dim <= x.dim()-1: 0是沿最粗資料粒度的方向進行操作，x.dim()-1是按最細粒度的方向。
3.if dim <0: dim的最小取值（此按照不同function而定）到最大取值（-1）之間。與情況2正好相反，最大的取值（-1）代表按最細粒度的方向，最小的取值按最粗粒度的方向。
實驗**:（使用torch.max(x, dim)為例子）
1.dim=2
mout[77]:
tensor([[1, 2, 3],
[4, 5, 6]])
torch.max(m,)
out[85]: tensor(6)
不傳:預設引數的設定是對整個傳入的資料進行操作
torch.max(m, dim=0)
out[79]:
torch.return_types.max(
values=tensor([4, 5, 6]),
indices=tensor([1, 1, 1]))
此處最粗粒度是兩行之間[1, 2, 3]->[4, 5, 6]的方向，也就是常說是縱向進行操作。
torch.max(m, dim=1)
out[78]:
torch.return_types.max(
values=tensor([3, 6]),
indices=tensor([2, 2]))
此處最細粒度是一行之內[1, 2, 3]的方向，也就是常說是橫向進行操作。
torch.max(m, dim=2)
traceback (most recent call last):
file "/home/xutianfan/anaconda3/lib/python3.8/site-packages/ipython/core/interactiveshell.py", line 3418, in run_code
exec(code_obj, self.user_global_ns, self.user_ns)
file "", line 1, in
torch.max(m, dim=2)
indexerror: dimension out of range (expected to be in range of [-2, 1], but got 2)
torch.max(m, dim=-1)
out[86]:
torch.return_types.max(
values=tensor([3, 6]),
indices=tensor([2, 2]))
-1+2=1，同torch.max(m, dim=1)結果。
torch.max(m, dim=-2)
out[87]:
torch.return_types.max(
values=tensor([4, 5, 6]),
indices=tensor([1, 1, 1]))
2.dim=3(tensor)
t1out[89]:
tensor([[[0, 1, 2, 3],
[1, 2, 3, 4]],
[[2, 3, 4, 5],
[4, 5, 6, 7]],
[[5, 6, 7, 8],
[6, 7, 8, 9]]])
torch.max(t1)
out[94]: tensor(9)
torch.max(t1, dim=0)
out[91]:
torch.return_types.max(
values=tensor([[5, 6, 7, 8],
[6, 7, 8, 9]]),
indices=tensor([[2, 2, 2, 2],
[2, 2, 2, 2]]))
最粗粒度是在各個矩陣之間的方向，所以對各個矩陣的每個位置分別取最大。
torch.max(t1, dim=1)
out[92]:
torch.return_types.max(
values=tensor([[1, 2, 3, 4],
[4, 5, 6, 7],
[6, 7, 8, 9]]),
indices=tensor([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]))
其次粗的粒度是矩陣中各行之間的方向
torch.max(t1, dim=2)
out[93]:
torch.return_types.max(
values=tensor([[3, 4],
[5, 7],
[8, 9]]),
indices=tensor([[3, 3],
[3, 3],
[3, 3]]))
最細粒度是各行之內的方向。所以取出了各行中最大的元素。
torch.max(t1, dim=-1)
out[97]:
torch.return_types.max(
values=tensor([[3, 4],
[5, 7],
[8, 9]]),
indices=tensor([[3, 3],
[3, 3],
[3, 3]]))
雖然我們這裡只使用了max函式，但是這對於torch中其他函式(例如softmax)也有效。
可以有這種寫法:mean = x.mean(-1, keepdim=true)
這樣無論是對於2維還是3維的輸入，都自動dim=input.dim()-1，也就是從最細粒度取平均。
Pytorch 二維矩陣中關於dim使用的樣例
import torch a torch.tensor 1.0,2.0,3.0 2.0,2.0,2.0 3.0,2.0,1.0 print a.shape print a torch.size 3,3 tensor 1.2.3.2.2.2.3.2.1.使用softmax函式，當dim 1時，矩陣中每...
C main函式中引數argv，argc的含義
argc 是 argument count的縮寫，表示傳入main函式的引數個數。argv 是 argument vector的縮寫，表示傳入main函式的引數序列或指標。第乙個引數argv 0 一定是程式的名稱，並且包含了程式所在的完整路徑，所以輸入main函式的引數個數實際是argc 1個。in...
對pytorch的函式中的group引數的作用介紹
1.當設定group 1時 conv nn.conv2d in channels 6,out channels 6,kernel size 1,groups 1 conv.weight.data.size 返回 torch.size 6,6,1,1 另乙個例子 conv nn.conv2d in c...