PyTorch张量操作中dim参数的核心原理与应用技巧：

今天在搭建神经网络模型中重写forward函数时，对输出结果在最后一个维度上应用 Softmax 函数，将输出转化为概率分布。但对于dim的概念不是很熟悉，经过查阅后整理了一下内容。

PyTorch张量操作精解：深入理解`dim`参数的维度规则与实践应用

在PyTorch中，张量（Tensor）的维度操作是深度学习模型实现的基础。dim参数作为高频出现的核心概念，其取值逻辑直接影响张量运算的结果。本文将从维度索引与张量阶数的本质区别出发，系统解析dim在不同场景下的行为规则，并通过代码示例展示其实际应用。

维度索引（Dimension Index）
指定操作沿哪个轴执行。索引范围从0（最外层）到ndim-1（最内层）。
例：二维张量中，dim=0表示行方向（垂直），dim=1表示列方向（水平）。
张量阶数（Tensor Order）
描述张量自身的维度数量，如标量（0阶）、向量（1阶）、矩阵（2阶）。
关键区别：dim=0不表示“一维张量”，而是“操作沿最外层轴进行”。

负索引dim=-k等价于dim = ndim - k，其中ndim是总维度数

x = torch.rand(2, 3, 4)  # ndim=3
x.sum(dim=-1)            # 等价于 dim=2（最内层维度）

仅含单一维度，索引只能是0或-1（二者等价）

v = torch.tensor([1, 2, 3])
v.sum(dim=0)   # 输出：tensor(6)
v.sum(dim=-1)  # 同上

支持两个维度索引，正负索引对应关系如下：

操作方向	正索引	负索引
行方向（垂直）	`dim=0`	`dim=-2`
列方向（水平）	`dim=1`	`dim=-1`

代码验证：

m = torch.tensor([[1, 2], [3, 4]])
m.sum(dim=0)    # 沿行求和 → tensor([4, 6])
m.sum(dim=-1)   # 沿列求和 → tensor([3, 7])[6](@ref)

索引范围扩展为0到ndim-1或-ndim到-1：

cube = torch.arange(24).reshape(2, 3, 4)
cube.sum(dim=1)     # 沿第二个维度压缩
cube.sum(dim=-2)    # 同上[3,6](@ref)

sum(), mean(), max()等函数通过dim指定压缩方向：

# 三维张量沿不同轴求和
cube.sum(dim=0)  # 形状变为(3,4)
cube.sum(dim=1)  # 形状变为(2,4)[6](@ref)

保持维度：使用keepdim=True避免降维（适用于广播场景）

cube.sum(dim=1, keepdim=True)  # 形状(2,1,4)

拼接（torch.cat）：dim指定拼接方向

x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6]])
torch.cat((x, y), dim=0)  # 行方向拼接（新增行）[7](@ref)

切分（torch.split）：dim指定切分轴向

x = torch.arange(10).reshape(5, 2)
x.split([2, 3], dim=0)  # 分割为2行和3行两部分[7](@ref)

torch.index_select：按索引选取数据

t = torch.tensor([[1, 2], [3, 4], [5, 6]])
indices = torch.tensor([0, 2])
t.index_select(dim=0, index=indices)  # 选取第0行和第2行[3,7](@ref)

torch.gather：根据索引矩阵收集数据

# 沿dim=1收集指定索引值
torch.gather(t, dim=1, index=torch.tensor([[0], [1]]))[5,7](@ref)

图像处理：转换通道顺序（NHWC → NCHW）
```
images = images.permute(0, 3, 1, 2)  # dim重排[6,8](@ref)
```

注意力机制：沿特征维度计算Softmax

attention_scores = torch.softmax(scores, dim=-1)  # 最内层维度[6](@ref)

损失函数：交叉熵沿类别维度计算

loss = F.cross_entropy(output, target, dim=1)  # 类别所在维度[6](@ref)

维度不匹配

x = torch.rand(3, 4)
y = torch.rand(3, 5)
torch.cat([x, y], dim=1)  # 正确（列数相同）
torch.cat([x, y], dim=0)  # 报错（行数不同）[6](@ref)