吴恩达之神经网络和深度学习-2.14python中的广播机制

关于广播机制，小编我也是入门级别的，只能把吴学阀的东西来给大家展现一下，有什么不足或者需要补充的地方，希望大家可以踊跃留言，小编必定虚心接受、改进。

$$\begin{bmatrix} \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ apple \ beef \ eggs \ potatoes \\ carb \ \ \ \ \ \ \ \ \ \ \ 56.0 \ \ \ \ \ \ \ 0.0 \ \ \ \ \ \ \ \ \ \ 4.4 \ \ \ \ \ 68.0 \\ protein \ \ \ \ \ \ \ 1.2 \ \ \ \ \ \ \ \ 104.0 \ \ \ \ \ \ 52.0 \ \ \ \ \ \ 8.0 \\ fat \ \ \ \ \ \ \ \ \ \ \ \ \ \ 1.8 \ \ \ \ \ \ \ 135.0 \ \ \ \ \ \ \ \ 99.0 \ \ \ \ \ 0.9 \end{bmatrix}$$
以上定义了一个3*4的矩阵，行、列分别代表苹果、牛肉、鸡蛋、土豆和碳水化合物、蛋白质、脂肪。我们将求碳水化合物、蛋白质、脂肪分别对四种食物所占的比重。
使用“广播”机制来进行计算将会大大的减少代码量：
$cal = A.sum(axis = 0)$
axis代表对行或列进行操作，axis=0是对列进行操作，axis=1是对行进行操作，第五行为每列的求和值。

$percentage = 100 * A / (cal.reshape(1,4))$,cal.reshape是将cal变为一个1*4的矩阵，事实上，在经过上一步之后，cal已经是一个矩阵，这样写是为了防止出现错误，确保进行操作的是一个1*4的矩阵。以下得到了每种属性所占每种食物的比重。

对于广播来说，是为了更方便的计算矩阵来设计的，给定一个m*n的矩阵对该矩阵进行加减乘除操作，而目标矩阵是1*n或m*1或为实数的矩阵，都将通过广播机制转化为与给定矩阵相同维数的矩阵.