我是这样记忆的。
背景知识：
- “列”是向量的默认方向；
- 矩阵是向量的容器，二维矩阵的每列都可视为向量；
于是，0 维（dim=0）表示向量的每个元素所在方向，1 维（dim=1）表示矩阵的每个元素（即，向量）所在方向，以此类推。
hw 1-3在论坛不太好表示，一种简单的证明方法是跟踪每个元素a_ij经过转置运算或者其它运算后的位置变化，或者在计算机中随机生成一个tensor以证明，正规的证明方式是借助辅助符号，改天补上（肚子好饿
# homework 4
x = torch.arange(24).reshape(2, 3, 4)
len(x)
# output is 2
# hw 5
x = torch.arange(24).reshape(4, 6)
len(x)
# 是的，经过样例，作业4和作业5我的试验，发现至少对于1，2，3维的tensor都是如此
# hw 6
A, A.sum(dim=1) # error: A/A.sum(dim=1) : The size of tensor a (4) must match the size of tensor b (5) at non-singleton dimension 1
# 根据报错信息，在维度1（从0开始），第二个tensor维度比第一个tensor的维度大（递增了），导致错误，第一个tensor是5*4的，第二个是1*5的，都是二维tensor，可能在这种情况下无法使用广播机制
# hw 7
x = torch.arange(24).reshape(2, 3, 4)
x, x.sum(dim=0).shape, x.sum(dim=0), x.sum(dim=1).shape, x.sum(dim=1), x.sum(dim=2).shape, x.sum(dim=2)
# dim 0: 3 * 4; dim 1: 2 * 4; dim 2: 2 * 3
# 理解：沿着哪个dim，就把这个dim方向上的数加在一起拍扁，并且维数也降了一维，可以画图理解
# hw 8
import numpy
numpy.linalg.norm(x), torch.sqrt(torch.sum(x * x))
# 对比发现，类似于二维矩阵的2-范数，这是tensor的2-范数
我的理解 axis=0 就是把最外层的看成一个向量，axis=1 级别的都设成一个变量 x
[x1,x2,…xn],
axis=1 就是把第二层数组内的元素看成一个变量
[
[x11, x12, …x1n],
[x21, x22, …x2n],
]
x可以是标量或者任意张量
以此类推
A/A.sum(axis=1)怎么才能广播，使其可以进行计算呢
交作业：
import torch
1.证明一个矩阵的转置的转置是原矩阵
A = torch.arange(20).reshape(5, 4)
print(“Original matrix A:”)
print(A)
print(“\nTranspose of A (A.T):”)
print(A.T)
print(“\nTranspose of the transpose of A (A.T.T):”)
print(A.T.T)
验证 A 是否等于 A.T.T
print(“\nIs A equal to A.T.T?”)
print(A == A.T.T)
2.给定两个矩阵A和B，证明“它们转置的和”等于“它们和的转置”
B = torch.tensor([[1, 5, 6, 7], [2, 3, 4, 8], [7, 6, 5, 4], [3, 2, 1, 0], [9, 8, 7, 6]])
print(A.T + B.T == (A + B).T)
3.给定任意方阵，总是对称的吗?为什么?
A = torch.arange(25).reshape(5, 5)
A = torch.arange(16).reshape(4, 4)
print(A + A.T)
4.本节中定义了形状(2, 3, 4)的张量X。len(X)的输出结果是什么？
X = torch.arange(24).reshape(2, 3, 4)
print(X,‘\n’,len(X)) #2
5.对于任意形状的张量X，len(X)是否总是对应于X特定轴的长度?这个轴是什么?
X = torch.arange(72).reshape(6, 3, 4)
print(X,‘\n’,len(X)) #它返回的是张量的第一个维度的大小，即6
6.运行A/A.sum(axis=1)，看看会发生什么。请分析一下原因？
print(A,‘\n’,A.sum(axis=1),‘\n’,A/A.sum(axis=1))
发生了广播机制，A.sum(axis=1)的结果是一个形状为(5,)的向量，而A的每一行都与这个向量做了按元素相除运算
7.考虑一个具有形状(2, 3, 4)的张量，在轴0、1、2上的求和输出是什么形状?
print(X)
print(X.sum(axis=0),‘\n’,X.sum(axis=0).shape,‘\n’,X.sum(axis=1),‘\n’,X.sum(axis=1).shape,‘\n’,X.sum(axis=2),‘\n’,X.sum(axis=2).shape)
(3, 4) (2, 4) (2, 3)
8.为linalg.norm函数提供3个或更多轴的张量，并观察其输出。对于任意形状的张量这个函数计算得到什么?
X = X.float()
print(torch.linalg.norm(X))
创建一个具有形状 (2, 3, 4) 的张量
X = torch.arange(24).reshape(2, 3, 4).float()
X = torch.arange(120).reshape(2, 3, 5, 4).float()
打印张量 X
print(“Tensor X:”)
print(X)
计算并打印张量 X 的范数
norm_X = torch.linalg.norm(X)
print(“\nNorm of tensor X:”)
print(norm_X)
函数默认计算的是 Frobenius 范数，这与张量的轴数无关。
Frobenius 范数是所有元素的平方和的平方根。无论张量有多少个轴，计算方法都是一样的
若有错误，希望大家指正。