pytorch学习笔记（六）——pytorch进阶教程之broadcast自动扩展
- 目录
- broadcast的两个特点
- 主要思想
- 原理示例
- 存在意义
目录
broadcast的两个特点
broadcast的两个特点：1.能够进行维度的扩展，相当于expand，但是是自动扩展
2.扩展的时候不需要拷贝数据
注意broadcast并不是函数，而是在不同size的tensor之间进行加减操作会自动进行的一种机制
主要思想
主要思想：1.依次从最后一个维度开始匹配，若前面没有维度则插入一个新的维度，size为1
2.自动调用Expand函数使得维度size相同
假设有如上图的一个feature map，要加上一个bias，把后面的维度理解为小维度，前面的维度理解为大维度。为什么要这么理解呢，我们知道一个四维的tensor可以表示图片，很第一个维度表示图片张数，最后一个维度表示图片的列，很明显前面的维度更为重要，所以理解为大维度。
将两者相加broadcast首先看出两者的dim不一致，对bias插入一个新维度，size为1，在调用expand使得每个维度上与feature map的size一样
原理示例
存在意义
从已经学过的知识我们可以知道，broadcast相当于unsqueeze函数和expand函数的配合使用，那么我们为什么要引入broadcast机制呢？主要有两点原因。
1.为了真实需求
假设我们有一份数据存储学生成绩，如图所示。假设有4个班级，每个班32名同学，每个同学8门课[4,32,8]，现在要给每个同学每门课都加上5分。由于5是一个标量，如果不引入broadcast，那么要调用多次unsqueeze和expand，把shape变成[4,32,8],实现起来非常麻烦，引入broadcast机制使得自动进行，代码更加简洁。
2.节约内存
broadcast核心是利用expand，只是逻辑上的扩展，并不是实际内存上进行拷贝，从而大大减少了占用内存。
