假设您有：

chunk1 = torch.tensor([0, 0, 1, 0, 0], dtype=torch.float)
chunk2 = torch.ones(5) / 5
chunk3 = torch.tensor([0.5, 0.5, 0, 0, 0])
stacked = torch.stack( (chunk1, chunk2, chunk3) )
stacked
tensor([[0.0000, 0.0000, 1.0000, 0.0000, 0.0000],
    [0.2000, 0.2000, 0.2000, 0.2000, 0.2000],
    [0.5000, 0.5000, 0.0000, 0.0000, 0.0000]])

字符串
有许多方法可以将这些结合起来。
如果我理解正确的话，我认为您正在寻找的是一种合并它们的方法，该方法对chunk2（因为它包含的有用信息最少）进行了减权，并对chunk1（似乎是最确定的）进行了增权。
对于最终结果，您希望它们的总和为1.0。这对于mean来说很好用，但是如果你做其他的事情，你要么用div乘以sum，要么用softmax。Softmax可以将任意模型输出为“logits”（对数概率），因此您可以在将其传递给softmax之前调整值并将其求和。
mean给了你一个相当无差别的：

In [33]: stacked.mean(dim=0)
Out[33]: tensor([0.2333, 0.2333, 0.4000, 0.0667, 0.0667])

型
你可以这样做：

In [45]: stacked.mul(5).sum(dim=0).softmax(dim=0)
Out[45]: tensor([0.0697, 0.0697, 0.8492, 0.0057, 0.0057])

型
或者也可以使用softmax的“temperature”，它实际上只是在调用softmax之前应用的div因子。下面，T=0.5似乎有所帮助：

In [50]: stacked.sum(dim=0).softmax(dim=0)
Out[50]: tensor([0.2057, 0.2057, 0.3391, 0.1248, 0.1248])
In [51]: stacked.sum(dim=0).div(2).softmax(dim=0)
Out[51]: tensor([0.2065, 0.2065, 0.2652, 0.1609, 0.1609])
In [52]: stacked.sum(dim=0).div(0.5).softmax(dim=0)
Out[52]: tensor([0.1834, 0.1834, 0.4984, 0.0675, 0.0675])

型