Python 什么是广播？

我不明白。该文件解释了广播规则，但似乎没有用英语对其进行定义。我的猜测是，广播是当NumPy用虚拟数据填充更小维度的数组以执行操作时。但这不起作用：

>>> x = np.array([1,3,5])
>>> y = np.array([2,4])
>>> x+y
*** ValueError: operands could not be broadcast together with shapes (3,) (2,) 

---

不过，错误消息提示我的思路是正确的。有人能定义广播，然后提供一些简单的例子，说明广播何时起作用，何时不起作用吗？

当你告诉广播在不同维度的阵列上执行操作时，广播是一种聪明的做法。例如：

2 + np.array([1,3,5]) == np.array([3, 5, 7])

在这里，它决定您要使用低维数组（0-D）对高维数组（1-D）中的每个项应用该操作

还可以将0-D数组（标量）或1-D数组添加到二维数组中。在第一种情况下，只需将标量添加到二维数组中的所有项，如前所述。在第二种情况下，numpy将按行添加：

In [34]: np.array([1,2]) + np.array([[3,4],[5,6]])
Out[34]: 
array([[4, 6],
       [6, 8]])

---

还有一些方法可以告诉numpy沿不同的轴应用该操作。通过在三维阵列和一维、二维或0-D阵列之间应用运算，可以进一步实现这一点。

术语广播描述了numpy在算术运算期间如何处理具有不同形状的阵列

这基本上是numpy在阵列上扩展操作域的一种方式

广播的唯一要求是对齐阵列尺寸，以便：

• 对齐的尺寸相等
• 其中一个对齐标注为1

例如，如果：

x = np.ndarray(shape=(4,1,3))
y = np.ndarray(shape=(3,3))

不能像这样对齐x和y：

4 x 1 x 3
3 x 3

但你也可以这么说：

4 x 1 x 3
    3 x 3

这样的手术效果如何？ 假设我们有：

x = np.ndarray(shape=(1,3), buffer=np.array([1,2,3]),dtype='int')
array([[1, 2, 3]])

y = np.ndarray(shape=(3,3), buffer=np.array([1,1,1,1,1,1,1,1,1]),dtype='int')
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

操作

x+y

将导致：

array([[2, 3, 4],
       [2, 3, 4],
       [2, 3, 4]])

我希望你明白了。如果没有，您可以随时查看官方文档

---

干杯

什么是广播？ 广播是一种张量运算。有助于神经网络（ML，AI）

2.广播有什么用？

• 在没有广播的情况下，只支持添加相同的维度（形状）张量

• 广播为我们提供了添加两个不同维度的张量的灵活性
  例如：如果不广播，则无法将2D张量与1D张量相加

运行Python示例代码，了解该概念

x = np.array([1,3,5,6,7,8]) 
y = np.array([2,4,5])
X=x.reshape(2,3)

对x进行整形以获得形状为（2,3）的二维张量x，并将该二维张量x与形状为（1,3）的一维张量y相加以获得形状为（2,3）的二维张量z

关于较小的张量，您几乎是正确的，没有歧义，较小的张量将被广播以匹配较大张量的形状。（小向量被重复，但没有填充虚拟数据或零以匹配较大张量的形状）

3。广播是如何发生的？ 广播包括两个步骤：

1广播轴添加到较小的张量，以匹配的ndim 大张量

2沿着这些新轴重复较小的张量，以匹配整个形状 关于大张量

4。为什么不在代码中进行广播？ 您的代码正在工作，但广播不能在这里发生，因为两个张量的形状不同，但维度（1D）相同。 当维度不相同时会发生广播。 你们需要做的是改变其中一个张量的维数，你们将体验到广播

5。深入。 广播（小张量的重复）沿广播轴发生，但由于两个张量都是一维的，因此没有广播轴。 不要混淆张量的维数和张量的形状， 张量维数与矩阵维数不同

广播就是numpy如何对不同形状的数组进行数学运算。形状是数组的格式，例如您使用的数组x有3个一维元素；y有2个元素和1个维度

要进行广播，有两条规则： 1） 数组具有相同的维度（形状）或 2） 不匹配的维度等于1

例如，x具有形状（2,3）[或2行3列]； y具有形状（2,1）[或2条线和1列]

你能加上它们吗？x+y？ 回答：是的，因为不匹配的维度等于1（y中的列）。如果y具有形状（2,4），则不可能进行广播，因为不匹配的尺寸不是1

在您发布的案例中： 操作数无法与形状（3，）（2，）一起广播；

---

这是因为3和2不匹配，尽管它们都有一行。

我建议尝试运行，一些演示可能会给出直观的想法。这也很有帮助。根据我目前的理解，numpy将比较从尾部到头部的尺寸。如果一个dim为1，它将在维度中广播，如果一个阵列具有更多轴，例如（256*256*3）乘（1），则可以将（1）视为（1,1,1）。和广播将使（256256,3）

这是一个很好的参考，

print("X =",X)
print("\n y =",y)
z=X+y
print("X + y =",z)

>>> x = np.array([1,3,5])
>>> y = np.array([2,4])
>>> x+y
*** ValueError: operands could not be broadcast together with shapes (3,) (2,)