关于torch.stack(tensors, dim=0)中dim值的理解

#新建一个张量x
x=torch.tensor([[1,2],
                [2,3],
                [3,4]])
x.shape, x.ndim
#输出结果
 (torch.Size([3, 2]), 2)

#4个x叠加，dim=0
x_stacked = torch.stack([x, x, x, x],dim=0)
x_stacked,x_stacked.shape,x_stacked.ndim
#输出结果：
(tensor([[[1, 2],
          [2, 3],
          [3, 4]],
 
         [[1, 2],
          [2, 3],
          [3, 4]],
 
         [[1, 2],
          [2, 3],
          [3, 4]],
 
         [[1, 2],
          [2, 3],
          [3, 4]]]),
 torch.Size([4, 3, 2]),
 3)

#4个x叠加,dim=1
x_stacked1 = torch.stack([x, x, x, x], dim=1)
x_stacked1, x_stacked1.shape, x_stacked1.ndim
#输出结果：
(tensor([[[1, 2],
          [1, 2],
          [1, 2],
          [1, 2]],
 
         [[2, 3],
          [2, 3],
          [2, 3],
          [2, 3]],
 
         [[3, 4],
          [3, 4],
          [3, 4],
          [3, 4]]]),
 torch.Size([3, 4, 2]),
 3)

#4个x叠加,dim=2
x_stacked1 = torch.stack([x, x, x, x], dim=2)
x_stacked1, x_stacked1.shape, x_stacked1.ndim
#输出结果：
(tensor([[[1, 1, 1, 1],
          [2, 2, 2, 2]],
 
         [[2, 2, 2, 2],
          [3, 3, 3, 3]],
 
         [[3, 3, 3, 3],
          [4, 4, 4, 4]]]),
 torch.Size([3, 2, 4]),
 3)

dim还可以是负值，如-1，-2，PyTorch 会将其视为指定的维度在张量中的逆序位置。例如，以以上这个三维张量 x，形状为 (3, 2)，并且我想要在最后一个维度上进行操作，但是我们不知道它的确切索引位置。在这种情况下，我们可以指定 dim=-1，PyTorch 将自动计算出最后一个维度的索引位置，并在其上进行操作。

总结：以上述为例，当有4个（或者是n个）2维张量x叠加时，叠加生成新的张量x_stacked的维度肯定为3，但是叠加时，dim属性值设置不同或者是叠加个数设置不同，x_stacked的shape会不同，以叠加个数是4为例，当dim=0的时候，x_stacked的shape为[4， 3， 2]，它的第一维为叠加x的个数，第二维和第三维是x的高度和宽度；
当dim=1的时候，x_stacked的shape为[3， 4， 2]，看结果是x的行叠加，也就是将叠加个数放到了第二维；
当dim=2的时候，x_stacked的shape为[3， 2， 4]， 看结果是每一行内每一列的元素相叠加，故其结果的形状是将叠加个数放到了第三维。