【发布时间】：2017-12-01 02:53:45
【问题描述】：
ipdb> outputs.size()
torch.Size([10, 100])
ipdb> print sum(outputs,0).size(),sum(outputs,1).size(),sum(outputs,2).size()
(100L,) (100L,) (100L,)
如何改为对列求和？
【问题讨论】：
标签： python sum pytorch torch tensor
【发布时间】：2017-12-01 02:53:45
【问题描述】：
最简单最好的解决方案是使用torch.sum()。
对一个张量的所有元素求和：
torch.sum(outputs) # gives back a scalar
对所有行求和（即每一列）：
torch.sum(outputs, dim=0) # size = [1, ncol]
对所有列求和（即每一行）：
torch.sum(outputs, dim=1) # size = [nrow, 1]
【讨论】：
-
对结果张量维度的一个很好的观察是，无论我们提供哪个暗淡为 1，最终张量在该特定轴上的值为 1，其余轴的维度保持不变。这尤其有助于我想象在更高维张量的情况下我们将如何求和。
或者，您可以使用tensor.sum(axis) 其中axis 表示0 和1 分别对行和列求和，用于二维张量。
In [210]: X
Out[210]:
tensor([[ 1, -3, 0, 10],
[ 9, 3, 2, 10],
[ 0, 3, -12, 32]])
In [211]: X.sum(1)
Out[211]: tensor([ 8, 24, 23])
In [212]: X.sum(0)
Out[212]: tensor([ 10, 3, -10, 52])
从上面的输出我们可以看出，在这两种情况下，输出都是一维张量。另一方面，如果您还希望在输出中保留原始张量的维度，那么您已将布尔 kwarg keepdim 设置为 True，如下所示：
In [217]: X.sum(0, keepdim=True)
Out[217]: tensor([[ 10, 3, -10, 52]])
In [218]: X.sum(1, keepdim=True)
Out[218]:
tensor([[ 8],
[24],
[23]])
【讨论】：
-
谢谢，这是一个很好的答案。这个 dim var 乍一看似乎非常违反直觉
如果您有张量my_tensor，并且您希望在第二个数组维度上求和（即索引为 1 的维度，即列维度，如果张量是二维的，就像您的一样） , 使用torch.sum(my_tensor,1) 或等效的my_tensor.sum(1) 请参阅documentation here。
文档中未明确提及的一件事是：您可以使用 -1（或倒数第二个维度，使用 -2，对 last 数组维度求和，等等）
因此，在您的示例中，您可以使用：outputs.sum(1) 或 torch.sum(outputs,1)，或者等价的 outputs.sum(-1) 或 torch.sum(outputs,-1)。所有这些都会给出相同的结果，即大小为 torch.Size([10]) 的输出张量，每个条目是张量 outputs 的给定列中所有行的总和。
用一个 3 维张量来说明：
In [1]: my_tensor = torch.arange(24).view(2, 3, 4)
Out[1]:
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]]])
In [2]: my_tensor.sum(2)
Out[2]:
tensor([[ 6, 22, 38],
[54, 70, 86]])
In [3]: my_tensor.sum(-1)
Out[3]:
tensor([[ 6, 22, 38],
[54, 70, 86]])
【讨论】：
基于文档https://pytorch.org/docs/stable/generated/torch.sum.html
应该是
dim (int or tuple of python:ints) – 要减少的维度。
dim=0 表示减少行尺寸：压缩所有行 = sum by col
dim=1 表示减少 col 维度：condense cols= sum by row
【讨论】：