---

探索PyTorch中的张量求和功能

在深度学习的广阔世界中，我们常常需要对数据进行一系列的复杂运算，其中求和是不可或缺的一部分。为此，PyTorch这一强大的深度学习框架为我们提供了方便的工具：`torch.sum()`函数。接下来，让我们一起通过一个简单的例子来探索如何使用这个函数。

导入PyTorch库：

```python

import torch

```

接着，创建一个形状为(3, 4)的张量：

```python

创建一个形状为(3, 4)的张量

x = torch.tensor([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

```

现在，让我们看看这个张量的内容：

```python

print("原始张量:")

print(x)

```

输出将会是：

```lua

原始张量:

tensor([[[ 1, 2, 3, 4],

[ 5, 6, 7, 8],

[ 9, 10, 11, 12]]])

```

接下来，使用`torch.sum()`函数对张量进行求和操作。这里，我们选择沿着第一维度（即列方向）进行求和：

```python

使用torch.sum()函数对张量进行求和

y = torch.sum(x, dim=1)

print("沿第一维度求和后的结果:")

print(y)

```

输出将会是：

```csharp

沿第一维度求和后的结果:

tensor([15, 24, 35])

```

从这个例子中，我们可以看到PyTorch如何轻松实现张量的求和操作。实际上，`torch.sum()`函数的用途远不止于此，它可以对任何支持张量运算的数值类型数据进行求和。掌握这一功能对于理解和应用深度学习模型至关重要。通过实践，你将更深入地了解这一功能在深度学习中的广泛应用。