在pytorch的张量计算中，“广播”指的是当满足一定条件时，较小的张量能够自动扩张成合适尺寸的大张量，使得能够进行计算。
条件
当一对张量满足下面的条件时，它们才是可以被“广播”的。
1、每个张量至少有一个维度。
2、迭代维度尺寸时，从尾部（也就是从后往前）开始，依次每个维度的尺寸必须满足以下之一：
- 相等。
- 其中一个张量的维度尺寸为1。
- 其中一个张量不存在这个维度。
例子
光看条件可能会有点迷，下面是官方文档中的几个例子。
import torch首先，显然相同形状的张量是可以广播的（或者说不需要广播）。、
x = torch.empty(5, 7, 3)
y = torch.empty(5, 7, 3)(x+y).size()输出torch.Size([5, 7, 3])。
一般而言，我们可以从后往前分析一对张量是不是“broadcastable”。
x = torch.empty(5, 3, 4, 1)
y = torch.empty( 3, 1, 1)我们依次分析：
对倒数第一个维度，两者尺寸相同，符合“相等”的条件。
对倒数第二个维度，y的尺寸为1，符合“其中一个张量尺寸为1”的条件。
对倒数第三个维度，两者尺寸相同，符合“相等”的条件。
对倒数第四个维度，y的该维度不存在，符合“其中一个张量不存在这个维度”的条件。
综上，这两个张量可以广播。
其实，x可以比y多出更多的维度，都满足该维度有“其中一个张量不存在这个维度”的条件。
举个反例：
x = torch.empty(5, 2, 4, 1)
y = torch.empty( 3, 1, 1)这里若x+y就无法广播了，因为从后往前遇到倒数第三个维度时会被卡住，不满足任何一个条件。
此外，对torch.empty((0,))，它也无法和其他任何张量广播，可以输出发现其结果为tensor([])，是空的，这就不满足“每个张量至少有一个维度”这个条件。
tensor.view()
这里做个补充，一般我们在全连接层，总是会看到对某个张量作view(-1, ...)的变换，其实这里的“-1”并不是直接表示尺寸，而是起到让计算机帮助自动计算的功能。
举个例子，比如一个tensor含有6个数据（无论唯独尺寸如何组合），我们对其view(-1, 2)，那么输出的尺寸就是[3, 2]，若view(-1)，那么输出的尺寸就是[6]。
注意，不能同时出现两个“-1”让机器计算。虽然在某些情况下，人能够判断，比如含有6个数据的tensor我们能够想到view(-1, -1, 6)输出尺寸是[1, 1, 6]，但机器就会认为这是个错误。
