TensorFlow与NumPy的广播规则如何深层次探究？

本文共计1685个文字，预计阅读时间需要7分钟。

在Tensorflow使用过程中，我们常遇到数组形状各异的情况。有时尽管双方形状不同，仍能进行加减乘除运算。这背后，其实是Tensorflow的广播机制帮了大忙。

在使用Tensorflow的过程中，我们经常遇到数组形状不同的情况，但有时候发现二者还能进行加减乘除的运算，在这背后，其实是Tensorflow的broadcast即广播机制帮了大忙。而Tensorflow中的广播机制其实是效仿的numpy中的广播机制。本篇，我们就来一同研究下numpy和Tensorflow中的广播机制。

1、numpy广播原理

1.1 数组和标量计算时的广播

标量和数组合并时就会发生简单的广播，标量会和数组中的每一个元素进行计算。

举个例子：

arr = np.arange(5) arr * 4

得到的输出为：

array([ 0, 4, 8, 12, 16])

这个是很好理解的，我们重点来研究数组之间的广播

1.2 数组之间计算时的广播

用书中的话来介绍广播的规则：两个数组之间广播的规则：如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相等或其中一方的长度为1，则认为他们是广播兼容的，广播会在缺失和(或)长度为1的维度上进行。