Tensorflow中的广播是视图还是副本？

请澄清Tensorflow中的广播是否会在广播时分配新的内存缓冲区

在Tensorflow文档中，有一句话说（添加了强调）：

大多数情况下，广播既节省时间又节省空间，因为广播操作从未实现内存中的扩展张量

然而，在另一句话中，它说：

例如，与数学运算不同，广播_to不做任何特别的事情来节省内存。在这里，你正在具体化张量

说这是一个广播操作

广播阵列以获得兼容的形状

然后根据上面的“广播操作永远不会实现内存中的扩展张量”语句，它应该不会实现

---

请帮助澄清文档实际上在说什么。

它说，由于时间和空间效率，通常的广播操作不会在内存中实现扩展张量

x = tf.constant([1, 2, 3])
y = tf.constant(2)

print(x * y)
tf.Tensor([2 4 6], shape=(3,), dtype=int32)

但是如果我们想看看它在广播后的表现，那么我们就用它来实现张量

x = tf.constant([1, 2, 3, 4])
y = tf.broadcast_to(x, [3, 4])
print(y)

tf.Tensor(
[[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]], shape=(3, 4), dtype=int32)

根据

当执行广播操作（如将张量乘以标量）时，广播（通常）会带来一些时间或空间效益，因为广播张量从未实现

然而，广播并不附带任何此类好处。新创建的张量具有广播形状的全部记忆。（然而，在图形上下文中，广播可能会融合到后续操作中，然后再进行优化。）

---

谢谢你的回答。我仍然不确定引擎盖下发生了什么。当执行（x*y）时，x是秩1，y是秩0，因此y被广播到秩1以匹配x。此广播可能不需要额外内存，但结果（x*y）如何？我相信这是一个新的内存分配，不共享x或y的内存缓冲区。然后在某个地方它需要具体化（分配缓冲区）来存储（x*y），然后它就具体化了。如果是这样，“永远不会实现”怎么可能是真的。。。不确定。

x = tf.constant([1, 2, 3, 4])
y = tf.broadcast_to(x, [3, 4])
print(y)

tf.Tensor(
[[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]], shape=(3, 4), dtype=int32)