PyTorch张量维度处理解析：创建与聚合中的参数行为

1. 创建张量时size参数的行为逻辑 #

size参数（或直接传入整数/元组作为形状参数）用于定义张量的层级结构，每个元素对应一个维度的长度，顺序从外到内对应张量的dim=0到dim=N-1：

• 单个整数：生成1维张量（形状为(n,)），比如torch.zeros(size=5)创建长度为5的1维张量。
• 整数元组：生成对应维度的张量，元组长度就是张量的阶数（维度数）。比如torch.rand(size=(2, 3, 4))创建3维张量，形状为(2, 3, 4)，对应常见的「批量数-通道数-特征数」结构。
• 注意：torch.Tensor()构造器直接传形状参数（如torch.Tensor(2,3)）和用size参数效果一致，而torch.tensor()则是从输入数据推断形状，无需指定size。

2. 聚合/变换方法中的axis（或dim）参数行为 #

PyTorch中axis和dim是完全等价的参数，用于指定操作生效的维度层级，以下是常见方法的表现：

2.1 torch.Tensor.sum() #

指定axis后，操作会在该维度上对所有元素求和，并压缩该维度（输出张量的形状会移除该维度）：

x = torch.tensor([[1,2,3],[4,5,6]])
# 对dim=0（列）求和，输出形状(3,)
x.sum(axis=0)  # tensor([5, 7, 9])
# 对dim=1（行）求和，输出形状(2,)
x.sum(axis=1)  # tensor([6, 15])
# 对所有维度求和，得到标量
x.sum(axis=None)  # tensor(21)

如果需要保留被压缩的维度（方便后续广播操作），可以设置keepdim=True：

x.sum(axis=1, keepdim=True)  # shape=(2,1)，输出tensor([[6],[15]])

2.2 torch.Tensor.softmax() #

softmax会在指定维度上对元素做归一化，使得该维度下所有元素的和为1，不会改变张量的整体形状：

x = torch.tensor([[1.0,2.0,3.0],[4.0,5.0,6.0]])
# 对每行（dim=1）做softmax，每行元素和为1
x.softmax(axis=1)
# 输出：tensor([[0.0900, 0.2447, 0.6652], [0.0900, 0.2447, 0.6652]])
# 对每列（dim=0）做softmax，每列元素和为1
x.softmax(axis=0)
# 输出：tensor([[0.0474, 0.0474, 0.0474], [0.9526, 0.9526, 0.9526]])

负索引axis=-1表示对最后一个维度操作，这在处理批量数据时非常常用（比如对每个样本的特征维度做softmax）。

3. 核心维度概念总结 #

• 张量的维度是层级嵌套结构，从外到内对应dim=0到dim=N-1，负索引dim=-k对应倒数第k个维度。
• 创建时的size参数直接定义各层级的元素数量，顺序决定了张量的存储和访问逻辑。
• 操作类方法的axis参数指定操作的作用层级：
  • 聚合类操作（如sum、mean）会压缩指定维度，除非设置keepdim=True。
  • 归一化/变换类操作（如softmax、log_softmax）会在指定维度内计算，保持原形状不变。

内容的提问来源于stack exchange，提问作者Lukas