pytorch张量运算的广播机制

PyTorch 的广播机制（broadcasting）是指在进行张量运算时，自动扩展较小张量的形状以匹配较大张量的形状，使它们能够进行逐元素运算。广播机制避免了手动扩展张量的繁琐过程，并且在不增加内存开销的情况下进行高效计算。

广播规则

1. 比较张量的形状：从后向前比较两个张量的每个维度（即从最右边的维度开始）。
2. 维度匹配 ：
   • 如果两个维度相等，则可以进行运算。
   • 如果一个张量在该维度上为 1，另一个张量为任意数值，则形状为 1 的张量会沿着该维度扩展，以匹配另一个张量的形状。
   • 如果两个张量在某个维度上不相等且没有一个是 1，则无法进行广播，运算会抛出错误。

广播机制的示例代码

1. 标量与张量的运算：

import torch

# 标量和张量相加
scalar = torch.tensor(3)
tensor = torch.tensor([1, 2, 3])

result = scalar + tensor
print(result)  # 输出: tensor([4, 5, 6])

2. 不同形状的张量运算：

import torch

# 创建两个形状不同的张量
A = torch.tensor([[1, 2, 3], [4, 5, 6]])  # 形状为 [2, 3]
B = torch.tensor([1, 2, 3])              # 形状为 [3]

# B 张量的形状会沿着第一个维度自动扩展为 [2, 3]
result = A + B 
print(result)   # 输出: tensor([[2, 4, 6], [5, 7, 9]])

3. 高维张量的广播

import torch

# 形状为 [2, 1, 3]
C = torch.tensor([[[1, 2, 3]], [[4, 5, 6]]])

# 形状为 [3]
D = torch.tensor([1, 2, 3])

# D 张量的形状会沿着第一个和第二个维度扩展为 [2, 1, 3]
result = C + D  
print(result)   # 输出: tensor([[[ 2,  4,  6]], [[ 5,  7,  9]]])

4. 不兼容的张量运算

import torch

# 形状为 [2, 3]
E = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 形状为 [2]
F = torch.tensor([1, 2])

# 尝试进行运算将抛出错误，因为 E 和 F 在最后一个维度上不匹配
try:
    result = E + F  # 形状不兼容，会抛出错误
except RuntimeError as e:
    print("Error:", e)

总结

广播机制极大简化了张量运算的代码编写，特别是在处理不同行数和列数的张量时。理解广播机制能够帮助你编写更高效、简洁的代码，并充分利用 PyTorch 的计算能力。