今天碰到一个代码看起来很简单，但是细究原理又感觉好像不太通不太对劲，就是多维tensor数据的操作，比如：y.sum(dim=2)，乍一看很简单数据相加操作，但是仔细一想，这里在第3维度的数据到底是横向相加还是纵向相加，带着疑问实验几次就明白了。

首先给个完整的例子：

import  torch

y = torch.tensor([
     [
       [1, 2, 3],
       [4, 5, 6]
     ],
     [
       [1, 2, 3],
       [4, 5, 6]
     ],
     [
       [1, 2, 3],
       [4, 5, 6]
     ]
   ])

print(y.sum(dim=2))

这里的y.shape = (3, 2, 3)，三个维度的数据，所以dim可以是0～2也可以是-1～-3。我们每个维度都进行操作一遍就清楚了。

• 当dim=0时，相当于有3个二维的向量进行相加，结果还是一个二维向量（对应位置相加）：
  
  y.shape = (3, 2, 3) —> y.shape = (2, 3)
• 当dim=1时，相当于有2个一维的向量进行相加×3，结果是1个一维向量×3则还是一个二维向量：
  
  y.shape = (3, 2, 3) —> y.shape = (3, 3)
• 当dim=2时，相当于有3个数值进行相加×2×3，结果两个值组成一维向量，三个一维向量组成二维向量：
  
  y.shape = (3, 2, 3) —> y.shape = (3, 2)

其他的数据操作也是这样类似的思想。
总结：从中可以看出只要对一个n维度的数据的其中一维进行操作的话，得到的结果会是n-1维的向量，shape则是去掉那一维的个数。