Python 沿轴的张量之和

如何对列求和？

最简单、最好的解决方案是使用

torch.sum（）

要对张量的所有元素求和：

ipdb> outputs.size()
torch.Size([10, 100])
ipdb> print sum(outputs,0).size(),sum(outputs,1).size(),sum(outputs,2).size()
(100L,) (100L,) (100L,)

对所有行（即每列）求和：

要对所有列（即每行）求和：

---

或者，您可以使用

tensor.sum（axis）

，其中

axis

表示

0

和

1

分别对二维张量的行和列求和

torch.sum(outputs, dim=1) # size = [nrow, 1]

从上面的输出可以看出，在这两种情况下，输出都是一维张量。另一方面，如果您希望在输出中也保留原始张量的维数，那么您已经将布尔值kwarg

keepdim

设置为

True

，如下所示：

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])

---

如果您有张量

my_tensor

，并且希望在第二个数组维度上求和（即，索引为1的数组维度，如果张量是二维的，则为列维度，与您的一样），请使用

torch.sum（my_tensor，1）

或等效

my_tensor.sum（1）

请参阅

文档中没有明确提到的一件事是：您可以使用

-1

（或倒数第二个维度，使用

-2

等）对最后一个数组维度进行求和

因此，在您的示例中，您可以使用：

outputs.sum（1）

或

torch.sum（outputs，1）

，或者，等效地，

outputs.sum（-1）

或

torch.sum（outputs，-1）

。所有这些都将给出相同的结果，一个大小为

torch.size（[10]）

的输出张量，每个条目都是张量

输出的给定列中所有行的总和

用三维张量来说明：

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]])

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，关于合成张量的维数的一个很好的观察结果是，无论我们提供哪个dim为1，最终张量在该特定轴上都有1，保持其余轴的维数不变。这特别有助于我想象在高维张量的情况下如何求和。
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])

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]])

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]])