Python tf.expand_dims对向量的具体作用是什么？为什么即使矩阵形状不同，结果也可以相加？

我将两个我认为被“重塑”的向量相加，得到一个2d矩阵。我预计这里会出现某种类型的错误，但没有得到它。我想我知道发生了什么，它把它们当作水平和垂直方向上还有两组向量，但我不明白为什么a和b的结果没有不同。如果他们不是命中注定的，为什么这一切都会起作用呢

import tensorflow as tf
import numpy as np

start_vec = np.array((83,69,45))
a = tf.expand_dims(start_vec, 0)
b = tf.expand_dims(start_vec, 1)
ab_sum = a + b
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    a = sess.run(a)
    b = sess.run(b)
    ab_sum = sess.run(ab_sum)

print(a)
print(b)
print(ab_sum)

=================================================

[[83 69 45]]

[[83]
 [69]
 [45]]

[[166 152 128]
 [152 138 114]
 [128 114  90]]

---

事实上，这个问题更多地利用了tensorflow的广播特性， 与numpy（）相同<代码>广播摆脱了张量之间的运算形状必须相同的要求。当然，它也必须满足某些条件

一般广播规则：

在两个阵列上操作时，NumPy 按元素比较它们的形状。它从尾随开始 尺寸，并努力前进。两个维度是兼容的 什么时候

1.他们是平等的，或

其中一个是1

一个简单的例子是一维张量乘以标量

import tensorflow as tf

start_vec = tf.constant((83,69,45))
b = start_vec * 2

with tf.Session() as sess:
    print(sess.run(b))

[166 138  90]

回到问题上来，

tf.expand_dims（）

的功能是在指定的

轴

位置向张量形状插入尺寸。您的原始数据形状是

（3，）

。当你的集合轴=0时，你会得到a=tf的形状。当你的集合轴=1时，你会得到b=tf的形状。当你的集合轴=1时，你会得到b=tf的形状。当你的集合轴=1时，你会得到a=tf的形状

通过比较

广播的规则

，您可以看到它们满足第二个条件。所以他们的实际操作是

83,83,83     83,69,45
69,69,69  +  83,69,45
45,45,45     83,69,45

---

嘿@giser_yugang，自从问了这个问题后，我一直在玩TensorFlow，我注册了你上面提到的两条广播规则。但前几天，我需要乘以两个张量元素，形状[20,50,36,42]和[20,50]。我将第二个参数重塑为[20,50,1,1]，然后使用tf.broadcast_将其广播到[20,50,36,42]，以便将其相乘。但事实证明，对于你提到的第二条规则（其中一条是1），我认为任何数字都可以是1。bc如果我将[20,50,36,42]乘以[20,50,1,1]，它仍然给出相同的结果。@jp88

其中一个是1

表示两个矩阵的维数比较，而不是在同一个矩阵中只有

1

<在您的示例中，

36

和

1

有一个

1

，

42

和

1

有一个

1

。