总结:

torch.function(x, dim)

1.if 不传: 依照默认参数决定

2.if dim >=0 and dim <= x.dim()-1: 0是沿最粗数据粒度的方向进行操作,x.dim()-1是按最细粒度的方向。

3.if dim <0: dim的最小取值(此按照不同function而定)到最大取值(-1)之间。与情况2正好相反,最大的取值(-1)代表按最细粒度的方向,最小的取值按最粗粒度的方向。

 

实验代码:(使用torch.max(x, dim)为例子)

1.dim=2

m
Out[77]:
tensor([[1, 2, 3],
        [4, 5, 6]])

 

torch.max(m,)
Out[85]: tensor(6)

不传:默认参数的设定是对整个传入的数据进行操作

torch.max(m, dim=0)
Out[79]:
torch.return_types.max(
values=tensor([4, 5, 6]),
indices=tensor([1, 1, 1]))

此处最粗粒度是两行之间[1, 2, 3]->[4, 5, 6]的方向,也就是常说是纵向进行操作。

torch.max(m, dim=1)
Out[78]:
torch.return_types.max(
values=tensor([3, 6]),
indices=tensor([2, 2]))

此处最细粒度是一行之内[1, 2, 3]的方向,也就是常说是横向进行操作。

 

torch.max(m, dim=2)
Traceback (most recent call last):
  File "/home/xutianfan/anaconda3/lib/python3.8/site-packages/IPython/core/interactiveshell.py", line 3418, in run_code
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-84-ce6440fe62e4>", line 1, in <module>
    torch.max(m, dim=2)
IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)

 

torch.max(m, dim=-1)
Out[86]:
torch.return_types.max(
values=tensor([3, 6]),
indices=tensor([2, 2]))

-1+2=1,同torch.max(m, dim=1)结果。

 

torch.max(m, dim=-2)
Out[87]:
torch.return_types.max(
values=tensor([4, 5, 6]),
indices=tensor([1, 1, 1]))

 

 

2.dim=3(tensor)

t1
Out[89]:
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.max(t1)
Out[94]: tensor(9)

 

torch.max(t1, dim=0)
Out[91]:
torch.return_types.max(
values=tensor([[5, 6, 7, 8],
        [6, 7, 8, 9]]),
indices=tensor([[2, 2, 2, 2],
        [2, 2, 2, 2]]))

最粗粒度是在各个矩阵之间的方向,所以对各个矩阵的每个位置分别取最大。

 

torch.max(t1, dim=1)
Out[92]:
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]]))

其次粗的粒度是矩阵中各行之间的方向

 

torch.max(t1, dim=2)
Out[93]:
torch.return_types.max(
values=tensor([[3, 4],
        [5, 7],
        [8, 9]]),
indices=tensor([[3, 3],
        [3, 3],
        [3, 3]]))
最细粒度是各行之内的方向。所以取出了各行中最大的元素。

 

torch.max(t1, dim=-1)
Out[97]:
torch.return_types.max(
values=tensor([[3, 4],
        [5, 7],
        [8, 9]]),
indices=tensor([[3, 3],
        [3, 3],
        [3, 3]]))

 

 

虽然我们这里只使用了max函数,但是这对于torch中其他函数(例如softmax)也有效。

可以有这种写法:mean = x.mean(-1, keepdim=True)

这样无论是对于2维还是3维的输入,都自动dim=input.dim()-1,也就是从最细粒度取平均。