东莞凤岗企业网站建设推广,网站流量分析网站,wordpress添加友情链接,网站开发行情介绍
Tensor#xff0c;又称张量#xff0c;其实就是n维度数组。不同维度的Tensor示意图如下#xff1a; 关于Tensor.reshape
reshape函数可以处理总元素个数相同的任何新形状#xff0c;【3#xff0c;2#xff0c;5】-【3#xff0c;10】-【5又称张量其实就是n维度数组。不同维度的Tensor示意图如下 关于Tensor.reshape
reshape函数可以处理总元素个数相同的任何新形状【325】-【310】-【56】这个流程如下图所示 关于Tensor.sum(0, keepdimTrue) 有时需要对Tensor按照某一维度进行求和那么实际上就是将所求和的维度从向量降维成标量
举个栗子
import torch# 创建一个 2*3*4 的三秩张量
X torch.arange(24).reshape(2,3,4)# 以下是X内部的值
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]]])# 分别对 X 从 0轴、1轴、2轴进行求和
X.sum(0, keepdimTrue), X.sum(1, keepdimTrue),X.sum(2, keepdimTrue)------------------下面是求和后的 X------------------
# 0轴
(tensor([[[12, 14, 16, 18],[20, 22, 24, 26],[28, 30, 32, 34]]])# 1轴tensor([[[12, 15, 18, 21]],[[48, 51, 54, 57]]])# 2轴tensor([[[ 6],[22],[38]],[[54],[70],[86]]]))
可视化
单从输出上来看也许不是很直观那么可以借助图像来显示【按维度求和】具体发生了什么如下所示
