torch.sum

torch.sum(input, *, dtype=None) → Tensor

Возвращает сумму всех элементов тензора input.

Параметры:

input (Tensor) – входной тензор.

Именованные аргументы:

dtype (torch.dtype, необязательно) – требуемый тип данных возвращаемого тензора. Если указан, входной тензор преобразуется к типу dtype перед выполнением операции. Это полезно для предотвращения переполнения типа данных. По умолчанию: None.

Примечание

Используйте аргумент dtype, если результат должен иметь определённый тип тензора. В противном случае тип результата может быть повышен автоматически (например, с torch.int32 до torch.int64).

Пример:

>>> a = torch.randn(1, 3)
>>> a
tensor([[ 0.1133, -0.9567,  0.2958]])
>>> torch.sum(a)
tensor(-0.5475)

torch.sum(input, dim, keepdim=False, *, dtype=None) → Tensor

Возвращает сумму элементов каждой строки тензора input по заданному измерению dim. Если dim — список измерений, редукция выполняется по всем указанным измерениям.

Если keepdim имеет значение True, выходной тензор имеет тот же размер, что и input, за исключением измерения (измерений) dim, размер которого равен 1. В противном случае размерность dim удаляется (см. torch.squeeze()), в результате чего выходной тензор имеет на 1 (или len(dim)) измерение меньше.

Параметры:

• input (Tensor) – входной тензор.
• dim (int или tuple целых чисел, необязательно) – измерение или измерения, по которым выполняется редукция. Если None, редукция выполняется по всем измерениям.
• keepdim (bool, необязательно) – следует ли сохранять dim выходного тензора. По умолчанию: False.

Именованные аргументы:

dtype (torch.dtype, необязательно) – требуемый тип данных возвращаемого тензора. Если указан, входной тензор преобразуется к типу dtype перед выполнением операции. Это полезно для предотвращения переполнения типа данных. По умолчанию: None.

Пример:

>>> a = torch.randn(4, 4)
>>> a
tensor([[ 0.0569, -0.2475,  0.0737, -0.3429],
        [-0.2993,  0.9138,  0.9337, -1.6864],
        [ 0.1132,  0.7892, -0.1003,  0.5688],
        [ 0.3637, -0.9906, -0.4752, -1.5197]])
>>> torch.sum(a, 1)
tensor([-0.4598, -0.1381,  1.3708, -2.6217])
>>> b = torch.arange(4 * 5 * 6).view(4, 5, 6)
>>> torch.sum(b, (2, 1))
tensor([  435.,  1335.,  2235.,  3135.])