Pytorch 当张量大小不同时，为什么torch。张量减法效果很好？

这个例子将使它更容易理解。以下操作失败：

A = tensor.torch([[1, 2, 3], [4, 5, 6]])   # shape : (2, 3)
B = tensor.torch([[1, 2], [3, 4], [5, 6]]) # shape : (3, 2)
print((A - B).shape)

# RuntimeError: The size of tensor A (3) must match the size of tensor B (2) at non-singleton dimension 1
# ==================================================================
A = tensor.torch([[1, 2], [3, 4], [5, 6]])   # shape : (3, 2)
B = tensor.torch([[1, 2], [3, 4],]) # shape : (2, 2)
print((A - B).shape)

# RuntimeError: The size of tensor A (3) must match the size of tensor B (2) at non-singleton dimension 0

但以下方法效果良好：

a = torch.ones(8).unsqueeze(0).unsqueeze(-1).expand(4, 8, 7) 
a_temp = a.unsqueeze(2)                            # shape : ( 4, 8, 1, 7 )
b_temp = torch.transpose(a_temp, 1, 2)             # shape : ( 4, 1, 8, 7 )
print(a_temp-b_temp)                               # shape : ( 4, 8, 8, 7 )

为什么后者有效，而前者无效？

---

结果形状是如何展开的/为什么展开的？

这一点可以通过下面的示例得到很好的解释。重要的部分是：

如果以下规则成立，则两个张量是“可广播的”：

• 每个张量至少有一个维度
• 从后面的标注开始迭代标注尺寸时，标注尺寸必须相等，其中一个为1，或者其中一个不存在

在您的情况下，（3,2）和（2,3）不能广播到公共形状（3！=2，两者都不等于1），但（4,8,1,7）、（4,1,8,7）和（4,8,8,7）是广播兼容的

这就是错误的基本状态：所有维度必须相等（“匹配”）或单态（即等于1）

播放形状时发生的情况基本上是一个匹配形状（扩展到[4,8,8,7]），然后像往常一样执行减法。扩展复制数据（以智能方式）以达到所需的形状