axis=0是向下的维度，而axis=1指向右侧。像这样可视化轴：

---------> axis=1
|
|
|
\/
axis=0

字符串
现在，k>0表示逆时针方向，k<0表示顺时针方向。
因此，在本发明中，

>>> x = torch.arange(6).view(3, 2)
>>> x
tensor([[0, 1],
        [2, 3],
        [4, 5]])

>>> torch.rot90(x, 1, [0,1])
tensor([[1, 3, 5],
        [0, 2, 4]])

>>> torch.rot90(x, 1, [1,0])
tensor([[4, 2, 0],
        [5, 3, 1]])

型
torch.rot90()类似于numpy.rot90()
例如，在
numpy.rot90(m, k=3, axes=(0, 1))个
将按照下图以图形方式表示：

的数据

对我来说，当考虑高度和宽度时，这些旋转更有意义。如果将axis=0视为高度尺寸，将axis=1视为宽度尺寸。然后：
取一个简单的输入矩阵x：

>>> x
tensor([[0, 1],
        [2, 3]])

字符串

• k > 0：axis=0朝axis=1，对应“高朝宽”，即逆时针方向。

>>> x.rot90(k=1)
tensor([[2, 0],
        [3, 1]])

型

• k < 0：axis=1向axis=0，这次是“宽向高”，即 * 顺时针旋转。

>>> x.rot90(k=-1)
tensor([[1, 3],
        [0, 2]])

型