2.2 Linear algibra

#pytorch笔记 

以后打算用优快云作为记笔记的地方，去年9月份本来就有这样的想法，后来因为种种原因搁置了。现在还存着去年的草稿。

对于张量降维度

a=torch.arange(24).reshape(2,3,4)
Out[24]: 
tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7],
         [ 8,  9, 10, 11]],
        [[12, 13, 14, 15],
         [16, 17, 18, 19],
         [20, 21, 22, 23]]])

a是个三阶张量/ 三维张量

a.sum(dim=0/1/2)这里，dim(axis)=0表示，对0维度的进行相加也就是说把这一维消除/这一维度相加。

默认情况下，调用求和函数会沿所有的轴降低张量的维度，使它变为一个标量。 我们还可以指定张量沿哪一个轴来通过求和降低维度。 以矩阵为例，为了通过求和所有行的元素来降维（轴0），可以在调用函数时指定axis=0。 由于输入矩阵沿0轴降维以生成输出向量，因此输入轴0的维数在输出形状中消失。

如果想要对n阶张量进行所有元素求和，直接a.sum()即可。

当然，如果想要不断分层求和也可以:

A.sum(axis=[0, 1])  # 结果和A.sum()相同

一个与求和相关的量是平均值（mean或average）。 我们通过将总和除以元素总数来计算平均值。 在代码中，我们可以调用函数来计算任意形状张量的平均值。

A.mean(), A.su