剖析 | torch.cumsum维度详解

本文主要是介绍剖析 | torch.cumsum维度详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

最近看别人代码的时候看到这么一个函数，一看吧，感觉是个求和的函数，毕竟有sum这种，可能性还是比较大，于是准备深入看看，具体是干嘛的。

1.写法。先不管结果如何，代码得先写出来。

函数原型：

torch.cumsum(input, dim, *, dtype=None, out=None) → Tensor

返回维度dim中输入元素的累计和。【功能：累加】
例如，如果输入是大小为N的向量，则结果也将是大小为N的带有元素的向量。【运算后维度不变】

说明必须要有两个参数，一个是tensor类型的输入，也就是数据，另外一个是操作的维度，这也是今天的核心，很多人在维度上是不理解的，或者说是混淆的。

第一种写法（官网）：

torch.cumsum(input, dim=?)

第二种写法（代码中看到的写法）：

b = input.cumsum(dim=?)

大概的写法就这两种，主要分析下维度是如何计算的。采用官网的写法来测试一下，一般维度就三维算高的了，所以我就测试了一维、二维和三维数据时候的效果。

一维数据：

x1 = torch.arange(0, 6)
print(x1)
y1 = torch.cumsum(x1, dim=0)  
print(y1)
y2 = torch.cumsum(x1, dim=-1)
print(y2)

运行结果：

结果分析：

y1(dim=0)的结果是：第一列不变，后面的列依次在上一列基础上加上自身的数。

第1列，值0，不变，和为本身，即：0；

第2列，值1，累加前一列值0，和为：0+1=1

第3列，值2，累加前一列值1，和为：1+2=3

第4列，值3，累加前一列值3，和为：3+3=6

第5列，值4，累加前一列值6，和为：6+4=10

第6列，值5，累加前一列值10，和为：10+5=15

y2(dim=-1)的结果和y1的结果一致。这是为什么嘞？一维数据的规模结果就只有一个数，这里算出来就是6，dim=0，指的是列不变，dim=-1也是指的列不变。

可以想象成一个循环圈，本来只有一个数据dim=0,但是由于方向可以反向，于是出现了dim=-1,既然到了头部0都还要减去1，那就到了尾部，这里一维数据很特殊，头部和尾部都是dim=0,所以dim=-1和dim=0就是一样的了，于是运行结果一致了。

二维数据：

a1 = torch.arange(0, 6).view(2, 3)
print(a1)
b1 = torch.cumsum(a1, dim=0)  
c1 = torch.cumsum(a1, dim=1)  
d1 = torch.cumsum(a1, dim=-1) 
print(b1)
print(c1)
print(d1)

运行结果：

结果分析：

二维数据的规模结果有两个数，第一个表示行数，第二个表示列数。这里是一个2行3列的二维数据，dim=0，指的是行不变，dim=1表示列不变。

b1(dim=0)的计算过程：行不变，指的是第一行不变，后面的行依次累加。

第一行，0,1,2，值不变，计算结果就是0,1,2

第二行，3,4,5，与上一行值累加，这里是对应位置的相加，所以就是：0+3,1+4,2+5，结果是3,5,7

综合计算结果就是运行结果中的第二个tensor效果。

c1(dim=1)的计算结果：列不变，指的是第一列不变，后面的列依次累加

第一列：0,3，值不变，计算结果就是0,3

第二列，1,4，累加前一列，0+1,3+4，所以计算结果是1,7

第三列，2,5，累加前一列，1+2,7+5，所以计算结果是3,12

所以运行结果是：

d1(dim=-1),从运行结果可以看出，计算结果和dim=1的结果一致，这是什么原因嘞？其实有了一维数据的分析，大家可以猜测出来是为什么了，还是画个图理解一下：

二维数据规模中有两个数据，第一个表示行，第二个表示列，所以dim=0表示第一行值不变，后边的行依次累加，dim=1则是第一列不变，后面的列依次累加。dim=-1也就是说在dim=0的前面的维度，根据循环，0的前面没有了，所以dim=-1就等价于了dim=1,所以运行结果和c1和d1是一样的。是不是有点感觉了？接下来分析三维数据。

三维数据：

q1 = torch.arange(0, 16).view(2, 2, 4)
print(q1)
w1 = torch.cumsum(q1, dim=0)  
e1 = torch.cumsum(q1, dim=1)  
r1 = torch.cumsum(q1, dim=2)  
t1 = torch.cumsum(q1, dim=-1)  
print(w1)
print(e1)
print(r1)
print(t1)

运行结果：