torch.sum，dim参数记录

最新推荐文章于 2023-05-28 13:32:30 发布
最新推荐文章于 2023-05-28 13:32:30 发布
阅读量916 收藏 9
点赞数 5
分类专栏： 人工智能 3D视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hpwwww/article/details/109055652
版权

小白学习pytorch，一直对dim这个参数很迷糊，记录一下

还是小白，说错的地方麻烦指正
假设已经有一个tensor x 了，维度是[2,4,3]，2是batch，4是点云个数，3是点云的坐标，即[B,N,C]=[2,4,3]
tensor([[[2, 6, 7],
         [3, 2, 5],
         [9, 4, 3],
         [0, 2, 3]],

        [[0, 6, 6
最低0.47元/天 解锁文章
里咯胡黑狗
关注
  • 5
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【PyTorch基础】torch.sum()
qq_36977302的博客
09-20 2727
torch.sum()对输入的tensor数据的某一维度求和，一共两种用法 １．torch.sum(input, dtype=None) ２．torch.sum(input, list: dim, bool: keepdim=False, dtype=None) → Tensor input:输入一个tensor dim:要求和的维度，可以是一个列表 keepdim:求和之后这个dim的元素个数为１，所以要被去掉，如果要保留这个维度，则应当keepdim=True 举例说明: import torc
Tensorflow中的降维函数tf.reduce_*使用总结
01-21
tf.reduce_sum(input_tensor ， axis = None ， keep_dims = False ， name = None ， reduction_indices = None) 参数： input_tensor：要减少的张量。应该有数字类型。 axis：要减小的尺寸。如果为None（默认）...
torch.sum(),dim=0,dim=1, dim=-1解析
vivi_cin的博客
05-06 1377
torch.sum中dim=0,1,-1怎么用
torch.sum 维度参数解析
每日提升一点点
03-18 2727
a = torch.ones(2, 3) print(a) print(a.shape) print(a.sum(dim=0)) print(a.sum(dim=1)) print(a.sum(dim=-1)) #res tensor([[1., 1., 1.], [1., 1., 1.]]) torch.Size([2, 3]) tensor([2., 2., 2.]) tensor([3., 3.]) tensor([3., 3.]) 个人理解：对于二维数组，dim=0，就是固定.
torch.sum()函数
qq_37803694的博客
10-19 2384
keepdim:求和之后这个dim的元素个数为１，所以要被去掉，如果要保留这个维度，则应当keepdim=True。torch.sum()对输入的tensor数据的某一维度求和，一共两种用法。dim:要求和的维度，可以是一个列表。input:输入一个tensor。
torch.sum(input, dim, out=None)
danerer的专栏
09-30 4万+
torch.sum(input, dim, out=None) → Tensor input (Tensor) – 输入张量 dim (int) – 缩减的维度 out (Tensor, optional) – 结果张量 代码： import torch x = torch.randn(4, 5) print(x) print(x.sum(0)) #按列求和 print(x.sum(1))...
浅谈pytorch中torch.max和F.softmax函数的维度解释
09-16
当应用于二维张量时，`torch.max` 可以指定维度参数 `dim` 来决定按照行（0轴）还是列（1轴）来取最大值。例如，对于一个形状为 (3, 4) 的张量 `input`： ```python d = torch.max(input, dim=0) ``` 上述代码会...
PyTorch和Keras计算模型参数的例子
09-18
在PyTorch中，模型的参数是以`torch.nn.Parameter`对象的形式存储的，这些参数可以被优化器更新。要获取模型的总参数数和可训练参数数，我们可以编写如下的`get_parameter_number`函数： ```python import torch ...
torch_sparse-0.6.15+pt113cpu-cp310-cp310-win_amd64.whl.zip
12-20
reduced = sparse_tensor.sum(dim=1) ``` 总的来说，`torch_sparse`是PyTorch生态中用于处理图数据的重要工具，它的高效和易用性使得在GNN模型的开发和研究中扮演了关键角色。通过正确安装和理解其基本用法，我们...
torch_sparse-0.6.12-cp39-cp39-linux_x86_64whl.zip
最新发布
01-15
summed = sparse.sum(dim=1) # 按列求和 # 索引与切片 sub = sparse[1:] # 切片操作 ``` 四、注意事项 1. 确保`torch`和`torch_sparse`版本兼容，避免版本不匹配导致的错误。 2. 稀疏张量的计算效率通常高于密集...
PyTorch中torch.sum()函数的用法总结
qq_38785977的博客
05-28 881
【代码】PyTorch中torch.sum()函数的用法总结。
[python] 关于sum函数:sum(-1)、sum(1)、sum(0)以及keepdims=True的说明
maple05的博客
08-11 2万+
sum(-1)和sum(1) 用途：求数组每一列的和，等价于 sum(axis=1) #关于axis的理解可以参考博主的另一篇文章【python】axis的理解 >>> import numpy as np >>> x = np.array([[0, 1], [1, 1], [2, 2]]) >>> x.sum(1) array([1, 2, 4]) >>> x.sum(-1) array([1, 2, 4]) >>
torch.sum()的用法
热门推荐
qq_39463274的博客
03-27 13万+
torch.sum()对输入的tensor数据的某一维度求和，一共两种用法 １．torch.sum(input, dtype=None) ２．torch.sum(input, list: dim, bool: keepdim=False, dtype=None) → Tensor 　 input:输入一个tensor dim:要求和的维度，可以是一个列表 keepdim:求和之后这个dim的元素个...
Pytorch中矩阵用sum()函数求和降维是怎么回事
weixin_43498449的博客
11-30 2560
看例子： 定义一个5×4矩阵 我们对A矩阵所有元素求和，观察求和的矩阵形状： 这里A矩阵是二维矩阵，在计算机里面也就是有两个轴，轴0表示行，轴1表示列，求和函数A.sum()表示将A矩阵在这两个轴方向上同时求和，所以求和后A.sum()是一个标量。 A.sum()默认是将两个轴方向同时求和，也可以指定一个轴方向求和，下面我们指定按轴0方向求和，也就是按行求和，并观察求和后矩阵形状： 可以看出求和后二维矩阵变成一维的了，按行求和，行这个维度就消失了，所以可以认为，求和就是在降维；另...
Pytorch中sum()函数的多维使用
hwxhxyz1998403的博客
04-11 4633
函数参数： torch.sum(input,dim,keepdim=False,*,dtype=None)→Tensor 当torch.sum(input tensor,dim)函数中出现多个维度的相加时如： 可以看出，pytorch执行sum函数的顺序是先将每一个1维度下的二维列表视为一个单位，所以每个二维列表里的三个一维度列表各为一个基本元素进行相加，得到[[6,6,6][15,15,15]]，再同样的思路将2维度下的int值视为一个基本元素进行相加， 得到最终[18,45]...
Pytorch：tensor.mean()和tensor.sum()
qimo601的专栏
09-20 1万+
​ torch.mean在不同的dim上取不同行的均值。 ​
(一)torch.sum使用总结
机器人视觉感知
05-06 1135
pytorch 中的sum API
torch.sum
u013049912的博客
04-20 764
torch.sum(input, dim, out=None) → Tensor input (Tensor) – 输入张量 dim (int) – 缩减的维度 out (Tensor, optional) – 结果张量 out shape为去掉dim的input shape 代码： import torch x = torch.randn(4, 5) print(x) print...
torch简单数据操作
weixin_45827387的博客
07-26 980
文章目录生成张量（数组）的几种方式运算 生成张量（数组）的几种方式 import torch x=torch.arange(12) # print(x) # print(x.shape) # print(x.numel())#number of elememt x=x.reshape(3,4) # print(x) x=x.reshape(-1,3)#放置-1可以让张量自动推断维度 # print(x) y=torch.zeros((2,3,4))#生成全0矩阵 # print(y) y=torch.one
torch.sum(torch.sum(R, dim=2),dim=1).cpu().numpy()
07-27
这段代码的作用是对矩阵R进行求和操作。首先，使用torch.sum函数对R进行两次求和操作。第一次求和是在dim=2的维度上进行，即对矩阵R的第三个维度进行求和。第二次求和是在dim=1的维度上进行，即对第一次求和的结果再进行求和。最后，使用.cpu().numpy()将结果转换为numpy数组。所以，torch.sum(torch.sum(R, dim=2),dim=1).cpu().numpy()的作用是对矩阵R进行两次求和操作，并将结果转换为numpy数组。 #### 引用[.reference_title] - *1* [torch.sum(c, dim=0, keepdim=True) torch.sum(c, dim=1, keepdim=True)](https://blog.csdn.net/dujuancao11/article/details/115701407)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [torch.sum()、np.sum()和sum()简要介绍](https://blog.csdn.net/weixin_45335726/article/details/122517254)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [tensor和numpy中的乘法运算，如torch.mul()和torch.sum()函数的用法](https://blog.csdn.net/FORKobe/article/details/127435631)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值