┭┮﹏┭┮
1
1、正确的维度观察方式
正确的观察方式是根据括号来看！
2
dim=0 | 面的维度
先看最外围的括号
3
4
dim=1 | 横向列表的维度 横向列表的叫法是我发明的(lll￢ω￢)不要较真
看法：走进次外层（dim=1）括号，按照最内层（dim=2）括号为单位划分。
5
dim=2 | 数据的维度 这才是我的误区，不要把dim=2看成列了！
看法：走进最内层（dim=2）括号，按照一个个具体的数据（数字）划分。
6
dim=2时，我们看的是选定列表中每一个具体的数字。
有的教程说dim=2是矩阵的列，原因是这是在选中一个横向列表（视为行）后，在这个行中将每个数据看成列。初学的我没懂他们的看法，跨行看列造成误解。
从0→n，对应高维→低维。
2、argmax/sum的操作过程
argmax：
创建一个二维的张量，因此此时dim=0指的是横向列表，dim=1指的是数字，不存在dim=2。
import torch
x = torch.randint(0,12,(3,4))
print(x)
print("when dim=0,argmax:",torch.argmax(x,0))
print("when dim=1,argmax:",torch.argmax(x,1))
7
torch.argmax(x,0) | 沿dim=0求最大值
看数据的角度：
8
9
所以按dim=0视角得到的答案是下面这个样子的：
10
数字指的是最大值所在横向列表的index。
torch.argmax(x,1) | 沿dim=1求最大值
11
按照前面理解的维度，若要用列的概念，就一定不要跨行看列！（或许可以把每一行看成平行宇宙）
12
数字指的是最大值所在数字位置的index。
இ௰இ 画图真的好累，sum差不多，感觉理解维度后这不是问题了。
3、stack堆叠的操作方式
操作对象：两个都为2*3的张量。
stack因为在两个张量上操作，可以往更高维度发展。两个2维的张量会堆叠成三维的张量。因此参数范围为[0,2]。ps：下面用行的叫法代替横向列表。
按dim=0维度堆叠
import torch
a = torch.randn(2,3)
b = torch.randn(2,3)
print(a)
print(b)
print(torch.stack([a,b],0))
13
画图：
14
面a和面b堆叠在一起，不影响各自面的内部结构，即不影响更低维度的相对位置。
15
按dim=1维度堆叠
import torch
a = torch.randn(2,3)
b = torch.randn(2,3)
print(a)
print(b)
print(torch.stack([a,b],1))
输出：
16
画图：
dim=1，按照行去排列，不影响更低维度的具体数字相对位置。
a的行n和b的行n（n=0、1），即相同的行数index沿着dim=0方向进行堆叠
不同行index间往更高维度dim=0延伸。
17
按dim=2维度堆叠 理解的重点
import torch
a = torch.randn(2,3)
b = torch.randn(2,3)
print(a)
print(b)
print(torch.stack([a,b],2))
输出：
18
画图：按照dim=2，就是具体到每一个数字（最低维度）去堆叠。
a[0,0]和b[0,0]都是属于同一个行index内的同一列位置，因此a[0,0]和b[0,0]沿着列方向堆叠。
而【a[0,0]和b[0,0]】和【a[0,1]和b[0,1]】的列index值不一样，于是按照更高维度dim=1延伸。
【a[0,0]和b[0,0]】和【a[1,0]和b[1,0]】的行index值不一样，于是按照更更高维度dim=0延伸。
19
以此为例，cat就不写了(∪.∪ )...zzz但拼接是不会延伸到更高维度的，如果是两个23的张量=》1 2 *3，1是不会变大的。
