pytorch参数dim为-1的解释

dim为-1的解释

t1=torch.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]]])
print(t1)
print(t1.shape)
print('no===')
print(t1.max())
print('-1===')
print(t1.max(-1))
print('0===')
print(t1.max(0))
print('1===')
print(t1.max(1))
print('2===')
print(t1.max(2))

C:\Program\anaconda\envs\pytorch\python.exe C:/pythonproject4paper/pytorch/a.py
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.Size([3, 2, 4])
no===
tensor(9)
-1===
torch.return_types.max(
values=tensor([[3, 4],
        [5, 7],
        [8, 9]]),
indices=tensor([[3, 3],
        [3, 3],
        [3, 3]]))
0===
torch.return_types.max(
values=tensor([[5, 6, 7, 8],
        [6, 7, 8, 9]]),
indices=tensor([[2, 2, 2, 2],
        [2, 2, 2, 2]]))
1===
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]]))
2===
torch.return_types.max(
values=tensor([[3, 4],
        [5, 7],
        [8, 9]]),
indices=tensor([[3, 3],
        [3, 3],
        [3, 3]]))

Process finished with exit code 0

也就是说，对于一个（3,2,4）的tensor，其dim可以选择为none，-1,0,1,2

none：所有元素的max，得到一个max值

-1：若dim为负，则将被转化为dim+input.dim()+1，即2

0：最粗粒度的方向

1：

2：最细粒度的方向

一句话概括：dim越大，越深入，none即所有最小元素参与计算。