pytorch中tf.nn.functional.softmax(x,dim = -1)对参数dim的理解

Will_Ye

已于 2025-06-09 14:22:08 修改

阅读量3.5w

点赞数 187

CC 4.0 BY-SA版权

分类专栏： Pytorch 文章标签： softmax

于 2020-03-20 20:49:21 首次发布

本文链接：https://blog.csdn.net/Will_Ye/article/details/104994504

Pytorch 专栏收录该内容

3 篇文章

订阅专栏

本文深入解析PyTorch中softmax函数的dim参数作用，通过实例演示不同维度下softmax运算的具体效果，帮助读者掌握softmax在神经网络中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

torch.nn.functional.Softmax(input,dim=None)

tf.nn.functional.softmax(x,dim = -1)中的参数dim是指维度的意思，设置这个参数时会遇到0,1，2，-1等情况，特别是对2和-1不熟悉，细究了一下这个问题
查了一下API手册，是指最后一行的意思。原文：
dim (python:int) – A dimension along which Softmax will be computed (so every slice along dim will sum to 1).

softmax的公式为：
$Softmax(xi)=exp(xi)∑jxiSoftmax(x_i)=\frac{exp(x_i)}{\sum_{j}x_i}$

一般会有设置成dim=0,1,2,-1的情况

准备工作：先随机生成一个（2,2,3）的矩阵，两个维度的（2,3）矩阵。

import torch
import torch.nn.functional as F
input = torch.randn(2,2,3)
print(input)

输出为：

tensor([[[-3.9332,  0.7909,  0.8927],
         [-1.7991,  0.2505,  0.7695]],

        [[ 0.1946,  0.1878,  1.2713],
         [ 0.9536,  1.0525, -0.7081]]])

要注意的是当dim=0时，是对每一维度相同位置的数值进行softmax运算，举个栗子：

m = F.softmax(input,dim=0)
print(m)

输出为：

tensor([[[0.0159, 0.6464, 0.4065],
         [0.0599, 0.3096, 0.8142]],

        [[0.9841, 0.3536, 0.5935],
         [0.9401, 0.6904, 0.1858]]])

从输出结果可以看出，一共2个维度
每一个维度（2,3）对应的数值相加为1，例如：

[0][0][0]+[1][0][0]=0.0159+0.9841=1
[0][0][1]+[1][0][1]=0.6464+0.3536=1

要注意的是当dim=1时，是对某一维度的列进行softmax运算：

m = F.softmax(input,dim=1)
print(m)

输出为：

tensor([[[0.1058, 0.6319, 0.5308],
         [0.8942, 0.3681, 0.4692]],

        [[0.3189, 0.2964, 0.8786],
         [0.6811, 0.7036, 0.1214]]])

从输出结果可以看出，计算的是某一维度中的列，例如：
在第1维度中：
[0][0][0]+[0][1][0]=0.1058+0.8942=1
在第2维度中：
[1][0][0]+[1][1][0]=0.3189+0.6811=1

要注意的是当dim=2时，是对某一维度的行进行softmax运算：

m = F.softmax(input,dim=2)
print(m)

输出为：

tensor([[[0.0042, 0.4726, 0.5232],
         [0.0458, 0.3560, 0.5982]],

        [[0.2029, 0.2015, 0.5955],
         [0.4360, 0.4813, 0.0828]]])

从输出结果可以看出，计算的是某一维度中的行，例如：
在第1维度中：
[0][0][0]+[0][0][1]+[0][0][2]=0.0042+0.4726+0.5232=1
在第2维度中：
[1][0][0]+[1][0][1]+[1][0][2]=0.2029+0.2015+0.5955=0.9999=1（是等于1的，只是后面还有很多位小数省略了）

要注意的是当dim=-1时，是对某一维度的行进行softmax运算：

m = F.softmax(input,dim=-1)
print(m)

输出为：

tensor([[[0.0042, 0.4726, 0.5232],
         [0.0458, 0.3560, 0.5982]],

        [[0.2029, 0.2015, 0.5955],
         [0.4360, 0.4813, 0.0828]]])

从这里可以发现，dim=-1和dim=2的结果是一样的。
其实这些结果，拿个计算器，自己算都行，可以加深对公式的印象：
以input数值第一维第一行为例：
[-3.9332, 0.7909, 0.8927]怎么求得上面的结果[0.0042, 0.4726, 0.5232]
$Softmax(x1)=exp(x1)∑jxi=exp(−3.9332)exp(−3.9332)+exp(0.7909)+exp(0.8927)=0.0041959Softmax(x_1)=\frac{exp(x_1)}{\sum_{j}x_i}=\frac{exp(-3.9332)}{exp(-3.9332)+exp(0.7909)+exp(0.8927)}=0.0041959$
$Softmax(x2)=exp(x2)∑jxi=exp(0.7909)exp(−3.9332)+exp(0.7909)+exp(0.8927)=0.4725807Softmax(x_2)=\frac{exp(x_2)}{\sum_{j}x_i}=\frac{exp(0.7909)}{exp(-3.9332)+exp(0.7909)+exp(0.8927)}=0.4725807$
$Softmax(x3)=exp(x3)∑jxi=exp(0.8927)exp(−3.9332)+exp(0.7909)+exp(0.8927)=0.5232234Softmax(x_3)=\frac{exp(x_3)}{\sum_{j}x_i}=\frac{exp(0.8927)}{exp(-3.9332)+exp(0.7909)+exp(0.8927)}=0.5232234$