Pytorch笔记：维度dim的定义及其理解使用

最新推荐文章于 2025-09-11 07:30:00 发布

原创最新推荐文章于 2025-09-11 07:30:00 发布 · 1.7k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #机器学习 #python

机器学习专栏收录该内容

40 篇文章

订阅专栏

本文详细解读了numpy中a.max()函数在不同维度上的应用，通过实例说明了max在0、1、2维度上的操作原理，并介绍了sum函数在相同维度上的聚合行为。重点在于理解数组维度操作在实际数据分析中的作用。

import numpy as np

# 随机生成维度2*3*4的矩阵
a = np.random.randint(1, 100, [2, 3, 4])
a=
array([[[11,  6, 15, 41],
        [71,  8, 22, 44],
        [58, 30, 60, 27]],

       [[34, 66, 14, 41],
        [42, 37, 85, 20],
        [72, 21,  2, 41]]])
a.max(0)=
array([[34, 66, 15, 41],
       [71, 37, 85, 44],
       [72, 30, 60, 41]])
a.max(1)=
array([[71, 30, 60, 44],
       [72, 66, 85, 41]])
a.max(2)=
array([[41, 71, 60],
       [66, 85, 72]])

a.max(0)相当于a.max(dim=0)，a.shape=(2,3,4)，当dim=0时，则表示在2维度上进行操作，a[0][0][0]=11与a[1][0][0]=34比较大小，a[0][0][1]=6 与a[1][0][1]=66比较大小，最终生成的矩阵维度是 $\times 4$

a.max(1)相当于a.max(dim=1)，表示在3维度上进行操作，
a[0][0][0]=11与a[0][1][0]=71与a[0][2][0]=58比较大小，
a[0][0][1]=6与a[0][1][1]=8与a[0][2][1]=30比较大小

a.max(2)相当于a.max(dim=2)，表示在4维度上进行操作，
a[0][0][0]=11与a[0][0][1]=6与a[0][0][2]=15与a[0][0][3]=41比较大小，
a[0][1][0]=71与a[0][1][1]=8与a[0][1][2]=22与a[0][1][3]=44比较大小，

再举例介绍sum():

a.sum(0)=
array([[ 45,  72,  29,  82],
       [113,  45, 107,  64],
       [130,  51,  62,  68]])
 a.sum(1)=
 array([[140,  44,  97, 112],
       [148, 124, 101, 102]])
a.sum(2)=
array([[ 73, 145, 175],
       [155, 184, 136]])

a.sum(0)：维度 $\times 4$ a[0][0][0]+a[1][0][0]=11+34，a[0][0][1]+a[1][0][1]=6+66
a.sum(1)：a[0][0][0]+a[0][1][0]+a[0][2][0]=11+71+58，a[0][0][1]+a[0][1][1]+a[0][2][1]=6+8+30
a.sum(2)：a[0][0][0]+a[0][0][1]+a[0][0][2]+a[0][0][3]=11+6+15+41，a[0][1][0]+a[0][1][1]+a[0][1][2]+a[0][1][3]=71+8+22+44