深入解析深度学习中的轴（axis）及其应用（application）与维度（dimension）的理解

在深度学习中，维度代表了张量的层级结构，在模型设计时通常通过参数axis或dim来指定需要关注的维度。许多张量运算和神经网络构建的过程中都会涉及维度的选择，在许多情况下需要明确地定义操作所作用的具体维度，在实际应用中选择哪个维度并非易事。

本文将围绕轴/axis/dim这一核心概念展开讨论，并通过 PyTorch 的代码示例深入探讨张量运算中轴/axis/dim的具体应用与设置方法

轴的概念

对于一个张量来说, 其形状包含多少个维度就意味着具有多少个轴, 同样地表示张量的不同层级. 直观地理解这一点可以通过查看形状中位于最前方的第一个方括号的数量.

    import torch
    a = torch.Tensor([[1,2,3], [4,5,6]])
    b = torch.Tensor([[7,8,9], [10,11,12]])
    c = torch.Tensor([[[1,2,3], [4,5,6]], [[7,8,9], [10,11,12]]])
    print(a.shape)
    
    # torch.Size([2, 3])

位于上方的两个张量 a 和 b 都各自拥有两个轴。当 axis/dim 设置为0时对应于 shape [2, 3]中的第一个数值2，在这种情况下 axis/dim设置为1