---

在 PyTorch 中，x.max(dim=n) 表示沿指定维度 dim 求张量的最大值，并返回 最大值 和 最大值的索引。我们逐步分析 dim=0, dim=1, 和 dim=2 的行为。

---

初始化张量：

python">x = torch.arange(8).reshape(2, 2, 2)
print(x)

输出：

tensor([[[0, 1],[2, 3]],[[4, 5],[6, 7]]])

• x 是一个 3D 张量，形状为 (2, 2, 2)。
  • 第一维度（dim=0）有 2 个块。
  • 第二维度（dim=1）有 2 行。
  • 第三维度（dim=2）有 2 列。

---

1. x.max(dim=0)

含义：

• 沿着第 0 维（块的方向）比较，保留 其他维度。
• 比较时，将每个位置的两个块中元素逐个比较，选出最大值。

计算过程：

[[0, 1],    [2, 3]]         # 块 0|  |       |  |
[[4, 5],    [6, 7]]         # 块 1

我们沿第 0 维比较，即逐个元素比较块 0 和块 1 对应位置的值，得到最大值：

对比每个位置的值：

• 对位置 [0, 0] 比较：

  块 0: 0, 块 1: 4 => 最大值是 4
  

• 对位置 [0, 1] 比较：

  块 0: 1, 块 1: 5 => 最大值是 5
  

• 对位置 [1, 0] 比较：

  块 0: 2, 块 1: 6 => 最大值是 6
  

• 对位置 [1, 1] 比较：

  块 0: 3, 块 1: 7 => 最大值是 7
  

合并最大值：

将每个位置的最大值整合成新的张量：

[[4, 5],[6, 7]]

输出：

python">Max: torch.return_types.max(values=tensor([[4, 5],[6, 7]]),indices=tensor([[1, 1],[1, 1]]))

• 最大值为 tensor([[4, 5], [6, 7]])，形状为 (2, 2)。
• 索引为 tensor([[1, 1], [1, 1]])，表示在第 0 维中，每个位置最大值来自第 1 块（索引 1）。

---

2. x.max(dim=1)

含义：

• 沿着第 1 维（行的方向）比较，保留 其他维度。
• 比较时，将每个块中的两行逐个比较，选出最大值。

计算过程：

块 0:
[[0, 1],        =>  [2, 3][2, 3]]
块 1:
[[4, 5],        =>  [6, 7][6, 7]]

输出：

python">Max: torch.return_types.max(values=tensor([[2, 3],[6, 7]]),indices=tensor([[1, 1],[1, 1]]))

• 最大值为 tensor([[2, 3], [6, 7]])，形状为 (2, 2)。
• 索引为 tensor([[1, 1], [1, 1]])，表示在第 1 维中，每个位置最大值来自第 1 行（索引 1）。

---

3. x.max(dim=2)

含义：

• 沿着第 2 维（列的方向）比较，保留 其他维度。
• 比较时，将每行中的两列逐个比较，选出最大值。

计算过程：

块 0:
[0, 1],        =>  [1]
[2, 3],        =>  [3]
块 1:
[4, 5],        =>  [5]
[6, 7]         =>  [7]

输出：

python">Max: torch.return_types.max(values=tensor([[1, 3],[5, 7]]),indices=tensor([[1, 1],[1, 1]]))

• 最大值为 tensor([[1, 3], [5, 7]])，形状为 (2, 2)。
• 索引为 tensor([[1, 1], [1, 1]])，表示在第 2 维中，每个位置最大值来自第 1 列（索引 1）。

---

总结

• dim=0：在 块的方向 比较，结果保留每个位置的 行和列。
• dim=1：在 行的方向 比较，结果保留每个位置的 块和列。
• dim=2：在 列的方向 比较，结果保留每个位置的 块和行。

图示化总结：

dim=0:  [[0, 1],       [[4, 5],         =>  [[4, 5],[2, 3]]        [6, 7]]             [6, 7]]dim=1:  [[0, 1],       [[2, 3],         =>  [[2, 3],[2, 3]]        [6, 7]]             [6, 7]]dim=2:  [[0, 1],       [[1],            =>  [[1, 3],[2, 3]]        [3]]                 [5, 7]]