阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。 希望互相进步谢谢！！

文章目录

  • 阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。文章设置为仅粉丝可见，是因为写博客确实花了不少精力。希望互相进步谢谢！！
  • 1、广播操作
  • 2、代码例子最形象
  • 阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。文章设置为仅粉丝可见，是因为写博客确实花了不少精力。希望互相进步谢谢！！


1、广播操作

其实也比较简单，两个矩阵broadcast后的结果每一维都是两个矩阵中最大的。

按从右往左顺序看两个张量的每一个维度，x和y每个对应着的两个维度都需要能够匹配上。什么情况下算是匹配上了？满足下面的条件就可以：
a.这两个维度每一个维度的大小相等
b. 某个维度 一个张量有，一个张量没有。那numpy会自动补1
c.某个维度 一个张量有，一个张量也有但大小是1。

为何要右对齐，因为最右边的维度最低。举个例子
(1,2,3)其中3是最低的维度，2其次，1最高

两个张量维度从右往左看，如果出现两个张量在某个维度位置上面，维度大小不相等，且两个维度大小没有一个是1，那么这两个张量一定不能进行广播

2、代码例子最形象

# Compute outer product of vectors
v = np.array([1,2,3])  # v has shape (3,)
w = np.array([4,5])    # w has shape (2,)
# To compute an outer product, we first reshape v to be a column
# vector of shape (3, 1); we can then broadcast it against w to yield
# an output of shape (3, 2), which is the outer product of v and w:

print(np.reshape(v, (3, 1)) * w)
#为啥这里要reshape((3,1))，因为(3,) 和 (2,)无法进行广播
#1、先维度(3，1)与(2, )比较，发现后者是1维，所以前面补1，使(2, )1维 成 (1, 2)二维，从而与前者维度一样
#2、从低维开始比直到高维结束（即从右往左比，例如(1,2)中2代表低维，1代表高维）。
#   若比较时两者相等或者其中为1，才能broadcasting，否则报错
#   低维：(3, 1)中的1和(1, 2)中的2比较，满足其中为1，1变2，即(3, 1)  -->  (3, 2)
#   高维：此时变成了(3, 2)中的3和(1, 2)中的1比较。也满足，故(1, 2) --> (3, 2)，最终变换结果如下：


# 1  1       4 5 
# 2  2       4 5
# 3  3       4 5

没看懂的再看看这篇文章：
《Pytorch中的广播机制（Broadcast）》

 码字不易，谢谢点赞！！！

码字不易，谢谢点赞！！！
码字不易，谢谢点赞！！！