TensorFlow张量间运算的广播机制、numpy数组间运算的广播机制

Myth丶恋晨 2023-07-05 13:11 62阅读 0赞

# ![20191009191333910.png][] #

# [日萌社][Link 1] #

[人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）][AI_Keras PyTorch MXNet TensorFlow PaddlePaddle]

--------------------

当两个不同shape形状的数组之间进行运算的同时自动实现广播机制的话，在TensorFlow当中计算张量的时候也是用广播机制，并且和numpy的广播机制是一样的。
    只需要满足如下任意一个条件即可自动实现广播机制：
    	1.第一个条件是 两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符。
    	  后缘维度：指的是从shape的后面(右边)开始往前(往左)推算的过程中，即两个数组双方shape的最右边维度开始数起，
    		   重点是指双方shape从后面(右边)数起的相同维度上的维度值相同，此时便符合第一个条件的后缘维度的轴长相符。
    		   比如shape为(4,2,3)和(2,3)两个数组双方shape的右边开始数起第一个维度的维度值均为3，符合第一个条件；
    		   双方shape的右边开始数起第二个维度的维度值均为2，同样也符合第一个条件，即使他们两者的shape形状不相同，
    		   他们之间进行运算的同时依然能自动实现广播机制，包括像(4,2,3)和(3)都是符合的。
     
    	2.第二个条件是 两个数组其中的一方数组的shape形状中的其中一个维度长度为1。
    	  即使双方shape形状不相同，但只要双方相同维度上有一方的维度值为1即能符合第二个条件，便能自动实现广播机制。
     	  符合的例子有：(3,5,6)和(1,6)、(4,6)和(1,6)、(3,5,6)和(1,5,6)、(3,1,6)和(3,5,1)。

[20191009191333910.png]: https://img-blog.csdnimg.cn/20191009191333910.png
[Link 1]: http://www.rimengshe.com/
[AI_Keras PyTorch MXNet TensorFlow PaddlePaddle]: https://blog.csdn.net/zimiao552147572/article/details/88867161