我对Tensorflow中dim具体指代哪个实际维度感到困惑，特别是当使用tf.metrics.mean_cosine_distance时
已知
x = [ [1, 2, 3, 4, 5], [0, 2, 3, 4, 5],]我想按列计算距离。换句话说，哪个维度对应于（伪代码）：
mean([ cosine_distance(x[0][0], x[1][0]), cosine_distance(x[0][1], x[1][1]), cosine_distance(x[0][2], x[1][2]), cosine_distance(x[0][3], x[1][3]), cosine_distance(x[0][4], x[1][4]),])回答：
对于你的输入x，它是沿着dim 0。一旦你将输入x构造为numpy数组，这一点就很直观了。
In [49]: x_arr = np.array(x, dtype=np.float32)In [50]: x_arrOut[50]: array([[ 1., 2., 3., 4., 5.], [ 0., 2., 3., 4., 5.]], dtype=float32)# 计算`x[0]`与`x[1]`之间的（平均）余弦距离# 其中`x[0]`可以被视为`labels`# 而`x[1]`可以被视为`predictions`In [51]: cosine_dist_axis0 = tf.metrics.mean_cosine_distance(x_arr[0], x_arr[1], 0)这个dim在NumPy术语中对应于axis名称。例如，可以沿着axis 0进行简单的sum操作，如下所示：
In [52]: x_arrOut[52]: array([[ 1., 2., 3., 4., 5.], [ 0., 2., 3., 4., 5.]], dtype=float32)In [53]: np.sum(x_arr, axis=0)Out[53]: array([ 1., 4., 6., 8., 10.], dtype=float32)当你计算tf.metrics.mean_cosine_distance时，如果你的输入形状为(n, )，其中n是每个向量的长度（即labels/prediction中的条目数），你实际上是在沿着dim 0计算labels和predictions向量之间的余弦距离（然后取平均值）。
但是，如果你将labels和predictions作为列向量传递，那么tf.metrics.mean_cosine_distance必须沿着dim 1计算。
示例：
如果你的输入label和prediction是列向量，
# 如果你的`label`是列向量In [66]: (x_arr[0])[:, None]Out[66]: array([[ 1.], [ 2.], [ 3.], [ 4.], [ 5.]], dtype=float32)# 如果你的`prediction`是列向量In [67]: (x_arr[1])[:, None]Out[67]: array([[ 0.], [ 2.], [ 3.], [ 4.], [ 5.]], dtype=float32)那么，tf.metrics.mean_cosine_distance必须沿着dim 1计算
# 输入In [68]: labels = (x_arr[0])[:, None]In [69]: predictions = (x_arr[1])[:, None]# 计算它们之间的平均余弦距离In [70]: cosine_dist_dim1 = tf.metrics.mean_cosine_distance(labels, predictions, 1)这个tf.metrics.mean_cosine_distance大体上与scipy.spatial.distance.cosine做的是相同的事情，但它也取mean。
对于你的示例情况：
In [77]: xOut[77]: [[1, 2, 3, 4, 5], [0, 2, 3, 4, 5]]In [78]: import scipyIn [79]: scipy.spatial.distance.cosine(x[0], x[1])Out[79]: 0.009132