使用pytorch框架进行神经网络训练时，涉及到分类问题，就需要使用softmax函数，这里以二分类为例，介绍nn.Softmax()函数中，参数的含义。
1. 新建一个2×2大小的张量，一行理解成一个样本经过前面网络计算后的输出（1×2），则batch_size是2。
import numpy as np
import torch
import torch.nn as nn
a = np.array([[1.5, 6.7],[6.8, 3.4]])
b = torch.from_numpy(a)
2. 下面调用nn.Softmax(dim)，dim分别为0，1，看看结果是什么样子
f = nn.Softmax(dim = 0)
c = f(b)
结果： tensor([[0.0050, 0.9644], [0.9950, 0.0356]], dtype=torch.float64)
可以发现，是每一列和为1.
f = nn.Softmax(dim = 1)
结果：tensor([[0.0055, 0.9945], [0.9677, 0.0323]], dtype=torch.float64)
可以发现是每一行和为1
所以，当nn.Softmax的输入是一个二维张量时，其参数dim = 0，是让列之和为1；dim = 1，是让行之和为1。
若nn.Softmax的输入是三维张量时，dim的取值就变成了0，1，2，那又是代表什么意思呢，看下面的例子。
a = np.array([[[1.5, 6.7, 2.4],
[6.8, 3.4, 9.3]],
[[3.1, 6.5, 1.9],
[8.9, 1.2, 2.5]]])
我们把a换成一个三维数组，大小是2x2x3，可以看成是2个2×3大小的输入。
这时，我们定义Softmax函数的dim为0，则结果是：
tensor([[[0.1680, 0.5498, 0.6225],
[0.1091, 0.9002, 0.9989]],
[[0.8320, 0.4502, 0.3775],
[0.8909, 0.0998, 0.0011]]], dtype=torch.float64)
可以发现，0.1680+0.8320 = 1， 0.5498+0.4502 = 1，即dim = 0，是让两个2×3数据的对应位置和为1.
使dim=1，结果是：
tensor([[[0.0050, 0.9644, 0.0010],
[0.9950, 0.0356, 0.9990]],
[[0.0030, 0.9950, 0.3543],
[0.9970, 0.0050, 0.6457]]], dtype=torch.float64)
可以发现，0.0050+0.9950 = 1，0.9644+0.0356 = 1，即dim = 1，是让张量每个2×3数据自己的列之和为1.
使dim=2，就是让张量每个2×3数据自己的行之和为1.
作者：不太聪明的亚子
链接：https://www.jianshu.com/p/3d63f36cc960
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
文章出处登录后可见！
