1. 二维矩阵时
不同的运算， dim 的作用域都是一样的思想；
当数据是二维矩阵时， 可以按照下面的思想理解：
对于矩阵：
dim=0 按列操作（沿列向下）。
dim=1 按行操作（跨行）。
解释如下：
dim=0 ：这是指张量的第一个维度，通常被视为行。如果您沿此维度应用函数，它将按列处理数据。换句话说，该函数独立地应用于每一列。
dim=1 ：这是指张量的第二维，通常被视为列。当您沿此维度应用函数时，它会按行处理数据。也就是说，该函数独立地应用于每一行。
1.1 求和
>> a = torch.Tensor([[1,2,3], [4,5,6]])
>> print(a.shape)
torch.Size([2, 3])>> print(torch.sum(a, dim=0))
tensor([5., 7., 9.])>> print(torch.sum(a, dim=1))
tensor([ 6., 15.])
1.2 softmax
dim = 0) #对每一列进行softmax；
dim =1) #对每一行进行softmax；
import torchimport torch.nn.functional as Fx= torch.Tensor( [ [1,2,3,4],[1,2,3,4],[1,2,3,4]])y1= F.softmax(x, dim = 0) #对每一列进行softmax
print(y1)y2 = F.softmax(x,dim =1) #对每一行进行softmax
print(y2)x1 = torch.Tensor([1,2,3,4])
print(x1)y3 = F.softmax(x1,dim=0) #一维时使用dim=0，使用dim=1报错
print(y3)
(deeplearning) userdeMBP:pytorch user$ python test.py
tensor([[0.3333, 0.3333, 0.3333, 0.3333],[0.3333, 0.3333, 0.3333, 0.3333],[0.3333, 0.3333, 0.3333, 0.3333]])
tensor([[0.0321, 0.0871, 0.2369, 0.6439],[0.0321, 0.0871, 0.2369, 0.6439],[0.0321, 0.0871, 0.2369, 0.6439]])
tensor([1., 2., 3., 4.])
tensor([0.0321, 0.0871, 0.2369, 0.6439])
2. 三维张量时
当dim=0时， 是对每一维度相同位置的数值进行softmax运算，和为1
当dim=1时， 是对某一维度的列进行softmax运算，和为1
当dim=2时， 是对某一维度的行进行softmax运算，和为1
import torch
import torch.nn.functional as F
input= torch.randn(2,2,3))
print(input)
dim= 0,
dim=1,
dim =2
