Pytorch中的基本语法之torch.sum(dim=int)以及由此引出的torch.size张量维度详解

本文链接：https://blog.csdn.net/hahameier/article/details/103742831

本文通过实践理解PyTorch中`torch.sum(dim=int)`的效果，展示如何减少张量维度，并解释`dim`参数的作用。同时，文章探讨了PyTorch张量的维度表示，如`torch.Size([3, 4, 2])`，通过实例帮助读者掌握张量的形状和结构。" 116860932,10510814,C++中的四种类型转换运算符详解,"['C++开发', '编程语言', '类型系统']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Lyndsey小鱼的日常琐碎笔记分享：

最近切身的真实感悟就是：要想真正理解以及学会使用，就必须得自己亲手去实践，而不是看着别人的博客笔记说，我差不多懂了，就过了。
所以，我现在也在用行动去证明这一点啦～

一、动手实践理解dim(int)的效果

（对于科研新手来说，做实验方面，首先最基本的就是要学会看懂别人代码是在干嘛啦～）
话不多说，直接进入今天的话题，我在看别人的代码时，看到了这样一个部分（注释都是我自己写的）：

N, C = weight.shape  # N C 获取当前权重的尺寸
        # print(weight.shape)  # torch.Size([16, 256])
        weight = weight.view(N, C, 1, 1, 1).expand_as(feature)  # 将权重的大小调整为与feature一样的大小 //   # 只是维度有变化
        # print(weight.shape)  # torch.Size([16, 256, 75, 25, 2])
        # 把一个tensor变成和函数括号内一样形状的tensor，用法与expand（）类似。差别是expand括号里为size，expand_as括号里为其他tensor
        result = (weight * feature).sum(dim=1)   # 这个部分就不是很理解它是怎么变换的
        # print(result.shape)  # torch.Size([16, 75, 25, 2])
        result = result.mean(dim=0)
        # print(result.shape)   # torch.Size([75, 25, 2])

请大家找到我注释的说不太懂变换那里，我将其输出查看，都是诸如以下的样子，根本看不到具体的变化。

          [ 0.0199,  0.0199],
           [ 0.0199,  0.0199],
           [ 0.0199,  0.0199]],
          ...,
          [[ 0.0199,  0.0199],
           [ 0.0199,  0.0199],
           [ 0.0199,  0.0199],
           ...,
          [[ 0.0199,  0.0199],
           [ 0.019