python 矩阵运算和广播机制_2个规则弄懂numpy的broadcast广播机制

首先介绍下什么是维度数量，什么是维度大小。

A=np.zeros((2,3,2))

将A打印出来是这样

array([[[0., 0.],

[0., 0.],

[0., 0.]],

[[0., 0.],

[0., 0.],

[0., 0.]]])

维度数量

numpy中指定维度都是用元组来的，比如np.zeros((2,3,2))的维度数量是三维的。np.zeros((3,))维度数量这是1维的，因为(3)不是元组它只能算3加个括号而已, 加个逗号(3,)才是元组。

某个维度大小

比如np.zeros((2,3,4))的维度数量是三维的。这个数组第一维的维度大小是2，第二维的维度大小是3，第三维的维度大小是4.

广播(broadcasting)

通常只在对多个数组进行对应元素操作形状不同时，才会发生广播。

那什么是对应元素进行操作呢？比如：

a = np.array([1,2,3])

b = np.array([2,2,2])

a*b # a和b对应元素相乘

# a*b的结果是： [1*2,2*2,3*2]

'''np.dot(a,b) # 这就不是对应元素操作，这是矩阵相乘。# np.dot(a,b)的结果是a,b的点积。'''

什么叫做形状不同呢？

a = np.array([1,2,3])

b = 2

a*b #a是1维向量，b是标量，这就是形状不同

# 结果也是：[1*2,2*2, 3*2]

'''这是因为发生了广播。b被填充为[2,2,2]然后a*b的效果变成了，[1,2,3]*[2,2,2]'''

前面的两个例子输入不同但运行结果相同的原因就是发生的广播(broadcast)。

可以广播的几种情况：

假定只有两个数组进行操作，即A+B、A*B这种情况。

1. 两个数组各维度大小从后往前比对均一致

举个例子：

A = np.zeros((2,5,3,4))

B = np.zeros((3,4))

print((A+B).shape) # 输出 (2, 5, 3, 4)

A = np.zeros((4))

B = np.zeros((3,4))

print((A+B).shape) # 输出(3,4)

举个反例：

A = np.zeros((2,5,3,4))

B = np.zeros((3,3))

print((A+B).shape)

报错：

ValueError: operands could not be broadcast together with shapes (2,5,3,4) (3,3)

为啥呢？因为最后一维的大小A是4，B是3，不一致。

2. 两个数组存在一些维度大小不相等时，有一个数组的该不相等维度大小为1

这是对上面那条规则的补充，虽然存在多个维大小不一致，但是只要不相等的那些维有一个数组的该大小是1就可以。

举个例子：

A = np.zeros((2,5,3,4))

B = np.zeros((3,1))

print((A+B).shape) # 输出：(2, 5, 3, 4)

A = np.zeros((2,5,3,4))

B = np.zeros((2,1,1,4))

print((A+B).shape) # 输出：(2, 5, 3, 4)

A = np.zeros((1))

B = np.zeros((3,4))

print((A+B).shape) # 输出(3,4)

# 下面是报错案例

A = np.zeros((2,5,3,4))

B = np.zeros((2,4,1,4))

print((A+B).shape)

ValueError: operands could not be broadcast together with shapes (2,5,3,4) (2,4,1,4)

为啥报错？因为A和B的第2维不相等。并且都不等于1.

额外不相干的小知识：

数组新增一维的方法

a = np.array([0.0, 10.0, 20.0, 30.0])

a[:, np.newaxis] #新增一维

如果你觉得这篇文章对你有用，你的赞是我分享的动力

看了这篇文章的人还看了：