問題的引出

關于pytorch中dim的描述個人總是弄的不是很清楚，好多地方存在著疑問，這次在實驗過程中需要比較兩個高維tensor的相似度，由于需要確定在哪一維進行比較，故去測試了pytorch中關于tensor維度的一些現象。

dim

關于dim許多博客都有比我更加專業的解釋，dim具體的解釋也不是本文的重點，這里盜用其他博客里的一張圖，這張圖也是我認為對dim比較好的直觀的解釋（原文鏈接），本文的重點在于對高維tensor維度上操作，即不同的操作在不同的維度上進行會有怎樣的不同

Cosine_similarity

如果你想對兩個tensor比較他們之間的相似度，那么torch.cosine_similarity函數是一個不錯的選擇，但是在該函數的參數列表中，有一個dim值，在官方文檔中，值介紹了這個參數用來指定在哪一維上進行操作，但我在實際使用過程中卻對這個概念理解的不好，后來經過不斷的實驗終于弄懂了dim的含義。

先從二維開始

大部分博客只說明了有關二維的情況，而二維的情況是比較好想的，重點是在高維如三維情況下的tensor，那么這里我們還是從二維開始，先去看一下基本的在維度上的操作
首先直觀上我們可以發現，當dim選擇在哪一維上操作時，相應的那一維就消失了(這里說的消失，指直觀現象，但個人覺得不是特別好理解)，

p1 = torch.rand([2,3]) p2 = torch.rand([2,3]) print(p1) print(p2) p3 = torch.cosine_similarity(p1,p2,dim=1) print(p3) print(p3.shape)

對第一維操作

上述代碼作用在第一維上，那么他的結果是怎么樣的呢？

他的結果有兩個元素（個人認為這里討論維度容易混亂，不如直接說元素的個數），對應原來的p1的shape我們發現在第一維上操作使得第一維消失了，即[2,3]->[2]，這也是大多數博客的解釋，但我認為這并沒有揭示真正的工作過程，同時如果應用到高維的情況，很容易得到一個令人疑惑的維度。
下面讓我們來試著理解一下dim的含義，上述的例子中的圖片說的已經比較明顯了，在dim=1上操作，實際的含義為在以第一維為單位進行操作，即對每一行進行操作（說法不嚴謹，但為了方便理解）,或者也可以這樣進行理解就是固定第一維（即tensor的列），去比較第0維（tensor的行）。

對第0維操作

那么按照該思想，如果按照第0維操作，即對每一列為單位進行操作，那么得到的應該是一個有三個元素（為了方便理解，有不嚴謹的表述）的結果，分別為對應列之間的相似度：

通過實驗驗證，我發現確實如此。

三維的情況

在實際應用中，tensor的形狀一般是[batch,seq_len,embed]這樣三維的形狀，那么在三維中對不同的維度操作會有怎樣的差別

對第0維操作

p1 = torch.rand([2,2,3]) p2 = torch.rand([2,2,3]) print(p1) print(p2) p3 = torch.cosine_similarity(p1,p2,dim=0) print(p3) print(p3.shape)

當取dim=0時，注意此時第0維實際上是batch的維度，則固定batch不動，比較后面的[2,3]的元素，那么后面的是怎么比較的呢？依舊是按照第0維，這里的第0維實際上是后面那個[seq_len,embed]的第0維，即對列進行操作，所以其結果為13三個元素，而原來的tensor有兩個batch，所以分別比較后就有23個元素，第一行元素是第一個batch中的[2,3]個元素按照第0位求相似的的結果，同理第二行也是

對第一維或第二維操作

這里的過程實際上就和二維的情況一樣的，不過需要注意的是二維情況中的第0維對應三維情況的第1維，二維情況的第1維實際上對應三維中的第2維。
不同的是，三維中是一個batch內進行比較，所以，只要在二維操作的基礎上加上batch的一維就可以了

總結

以上是生活随笔為你收集整理的Pytorch关于高维tensor的dim上操作的理解--以cosine_similarity的dim参数为例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。