摘要根据官方网站上的文档，dim表示沿着相应的维度计算余弦很相似。 那你怎么理解？
首先，我先介绍一下dim:
a=torch.tensor ([ 1，2 ]、[ 3，4 ]、[ 5，6 ]、[ 7，8 ] )、dtype=torch.float ) print ) a.shape )
假设有[ [ 1，2 ]，[ 3，4 ] ]和[ [ 5，6 ]，[ 7，8 ] ]两个矩阵，求两者的余弦相似。
用dim=0求余弦相似： import torch.nn.functionalasfinput1=torch.tensor ([ 1，2 ]，[ 3，4 ]，dtype=torch.float )
tensor ([ 0.9558，0.9839 ] )中，这个数值是怎么得到的呢？ 按照
具体解决办法如下：
print (f.cosine _ similarity (torch.tensor ([ 1，3 ]，dtype=torch.float )，torch.tensor ) [ 5，7 ]，dtype=
tensor(0.9558 ) tensor (0.9839 )可以在scipy.spatial中进一步证明：
fromscipyimportspatialdatasetiii=[ 1，3 ] dataset ii=[ 5，7 ] result=1- spatial.distance.cosine (dataseti，数据)
0.95577900872195同样：
dataseti=[ 2，4 ] datasetii=[ 6，8 ] result=1- spatial.distance.cosine (dataseti，dataset ii ) print ) ) result
0.9838699100999074dim=1，馀弦相似： output=f.cosine _ similarity (input 1，input2，dim=1) print )执行结果如下：
与tensor ([ 0.9734，0.9972 ] )类似，在scipy.spatial中进一步证明了：
dataseti=[ 1，2 ] datasetii=[ 5，6 ] result=1- spatial.distance.cosine (dataseti，dataset ii ) print ) ) result
dataseti=[ 3，4 ] datasetii=[ 7，8 ] result=1- spatial.distance.cosine (dataseti，dataset ii ) print ) ) result
0.9971641204866132结果与F.cosine_similarity一致。