深度学习（python中的广播实例）

import numpy as np

A = np.array([[56.0, 0.0, 4.4, 68.0],
              [1.2, 104.0, 52.0, 8.0],
              [1.8, 135.0, 99.0, 0.9]])
print(A)

cal=A.sum(axis=0)#这个轴为0，希望python在竖直方向求和，这个轴0意味着数值方向相加

print(cal)

percentage=100*A/cal.reshape(1,4)
print(percentage)

cal=A.sum(axis=0)

axis=0，这个轴为0，希望python在竖直方向求和，这个轴0意味着数值方向相加，

而水平轴是1，可以写成axis=1

这样就可以是水平求和，而不是竖直求和

percentage=100*A/cal.reshape(1,4)

以上命令是python广播的另一个例子

矩阵A是一个3*4的矩阵

让他除以一个1*4的矩阵

技术上，在第一行代码后变量cal已经是一个1*4的矩阵了，所以技术上不需要调用reshape

但是当写python代码时，我们需要调用，为了确保其时正确的行向量和列向量

reshape（）命令经常用到，其为O（1）操作，成本很低。

另外几个广播的实例

python会做的事情是，将100拆开为一个1*4的矩阵（向量）

在前期的logistic回归函数当中的参数b就利用了类似的广播形式

python会对以上矩阵相加进行如下处理

同理也会水平复制m次

python的广播中有一个一般规律

如果一个m*n的矩阵，对一个1*n（m*1）的矩阵进行加减乘除时，会进行重复m（n）次已得到m*n的矩阵，并进行运算

一个矩阵加一个常数，该常数会不断重复，直到得到与之相同的矩阵

以上广播形式为在神经网络模型中主要用到的广播形式