背景：對 python 不熟悉，能看懂代碼，也能實現一些簡單的功能，但是對 python 的核心思想和編程技巧不熟，所以使 Pytorch 寫 loss 的時候遇到很多麻煩，尤其是在 batch_size > 1 的時候，做矩陣乘法之類的運算會覺得特別不順手。所幸，在邊查邊寫的過程中，理解了 python 中多維運算的實現規則。
1、python 的基本索引規則
從 0 開始
對於給定的范圍，如 b = a[m:n], 那么 b 為由 （n-m）個數據組成的新數組，由 a[m],a[m+1],...,a[n-1] 構成。(若 n<m, 得到空)
2、單個 tensor 運算，使用 dim 參數
torch 中對 tensor 的操作方法，若不加 dim 參數表示對整體的 tensr 進行操作，若增加 dim 參則表示按維操作。
例： a = [[1,2],[3,4],[5,6]] (torch.tensor)
torch.mean(a) => 3.5
torch.mean(a,dim=0) => [1.5, 3.5, 5.5]
torch.mean(a,dim=1) => [[3],[4]]
torch.mean(a,dim=0) => [3,4]
torch.mean(a,dim=1) => [1.5, 3.5, 5.5]
注: torch.mean() 是一個降維的操作，所以不會出現在取均值后保持跟原 Tensor 同維的情況。 dim 參數存在時降一維，不存在時得到的是整個 Tensor 的均值。
3、兩個 tensor 運算，構造對應形狀
以乘法為例：
3.1 矩陣乘向量
a = [[1,2],[3,4],[5,6]]
b = [1,1]
計算乘法 c = a@b
若 a 拓展為 （N,3,2） N 為 batch_size, 計算 c2 = a@b
若 a,b 同時拓展， 變成（N, 2）,那么需要做一個變換 b = b.view(N,2,1),計算 c3 = a@b
3.2 矩陣乘矩陣
a = [[1,2],[3,4],[5,6]]
b =[ [1,1],[1,1]]
計算乘法 c = a@b
若 a 拓展為 （N,3,2） N 為 batch_size, 計算 c2 = a@b
若 a,b 同時拓展， 變成（N, 2, 2）,計算 c3 = a@b