首先看一段代码，如下所示：
import torch
input = torch.ones(3, 5)
print(input)
result1 = torch.sum(input, dim=0)
print(result1)
result2 = torch.sum(input, dim=1)
print(result2)
结果为：
tensor([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
tensor([3., 3., 3., 3., 3.])
tensor([5., 5., 5.])
当dim=0的时候，sum操作是这样执行的：
当dim=1的时候，sum操作是这样执行的：
Softmax是一种激活函数，它可以将一个数值向量归一化为一个概率分布向量，且各个维度上的概率值相加之后的和为1。
对于向量中的每个元素，Softmax函数的计算公式如下：
$$ \text{Softmax}(x_i) = \frac{\exp(x_i)}{\sum_j \exp(x_j)} $$
其中，$x_i$ 是向量中的第 $i$ 个元素，分母是所有元素经过指数函数计算后的和。这样，每个元素的输出都在 $0$ 到 $1$ 之间，并且所有输出的和为 $1$。
在PyTorch中，可以通过torch.nn.functional模块中的softmax函数来实现Softmax操作。使用时需要指定输入数据以及在哪个维度上进行Softmax操作。
需要注意的是：对于二维数据，dim=0会在列上应用Softmax，而dim=1会在行上应用。这个道理，如同上文中sum函数类似。
以下是一个使用PyTorch中Softmax函数的示例代码：
import torch
import torch.nn.functional as F
# 创建一个浮点型张量
data = torch.FloatTensor([[1.0, 2.0, 3.0], [4.0, 6.0, 8.0]])
# 在列上应用Softmax
prob = F.softmax(data, dim=0)
# 输出Softmax后的概率分布
print(prob)
输出结果将是一个与输入形状相同的张量，其中包含了转换后的概率值。如下所示：
tensor([[0.0474, 0.0180, 0.0067],
[0.9526, 0.9820, 0.9933]])
如果dim=1，则在行中应用Softmax，其结果如下所示：
tensor([[0.0900, 0.2447, 0.6652],
[0.0159, 0.1173, 0.8668]])