Pytorch中tensor维度和torch.max()函数中dim参数的理解

Pytorch中tensor维度和torch.max()函数中dim参数的理解

---

维度

参考了 https://blog.csdn.net/qq_41375609/article/details/106078474 ，
对于torch中定义的张量，感觉上跟矩阵类似，不过常见的矩阵是二维的。当定义一个多维的张量时，比如使用 a =torch.randn(2, 3, 4) 创建一个三维的张量，返回的是一个

[
     [
            [-0.5166,  0.8298,  2.4580, -1.9504],

            [ 0.1119, -0.3321, -1.3478, -1.9198],

            [ 0.0522, -0.6053,  0.8119, -1.3469]
     ],
     
     [
            [-0.3774,  0.9283,  0.7996, -0.3882],

            [-1.1077,  1.0664,  0.1263, -1.0631],

            [-0.9061,  1.0081, -1.2769,  0.1035]
   ]
]

当使用 a.size() 返回维度结果时，结果为 torch.Size([2, 3, 4])，这里面有三个数值，数值的个数代表维度的个数 ，所以这里有三个维度，可以理解为一个中括号代表一个维度。数值 2 处在第一个位置，第一个位置代表是第一维度,2代表这个维度有两个元素，也就是第一个 [ ] 里面两个元素，3代表在第二个维度，也就是在第一个 [ ] 中的两个元素里面，又有三个元素，依次类推。这里格式十分固定，一旦定义，必须是一个元素里面有两个元素，这两个元素中每个再包含三个元素，再包含，依此类推，否则会报错。类似与树，维数等于相似的树的深度-1（以根为第一层），每一层就是一维。
如生成一个

torch.tensor(
    [
        [
            [1, 2, 3, 4]

            [3, 4, 2, 1]

            [4, 1, 2, 3]
        ]

        [
            [2, 1, 3, 4]

            [3, 4, 2, 1]

            [4, 1, 2, 3]
        ]
    ]
)

方便理解，以下图的形式展示，这里竖线代表一个维度，竖线上所有节点代表同一维度的所有元素。在下面所有图中，同颜色的元素都是按照从上往下按顺序排列的。

---

一、dim参数

在使用torch.max()函数和其他的一些函数时，会有dim这个参数。官网中定义使用torch.max()函数时，生成的张量维度会比原来的维度减少一维，除非原来的张量只有一维了. 要减少消去的是哪一维便是由dim参数决定的，dim参数实际上指的是我们计算过程中所要消去的维度。因为在比较时必须要指定使用哪些数字来比较 ，或者进行其他计算，比如 max 使一些数据中只要大的，sum只取和的结果，自然就会删减其他的一些数据从而引起降维。

---

以上面生成的三维的张量为例子，有三个维度，但是维度的数字顺序是 dim = 0， 1， 2；
当指定torch.max(a，dim=0)时，也就是要删除第一个维度，删除第一个维度的话，那还剩下两个维度，也就是dim =1 ，2 。 剩下的两个维度的参数是 3 和 4，那么删除第一个维度后应该剩下torch.tensor(3, 4)这样形式的张量, dim参数可以使用负数，也就是负的索引，与列表中的索引相似，在本例中dim = -1 与dim = 2是一样的。
返回的

values=tensor([[