pytorch中的广播机制

当两个张量的形状不完全匹配时，PyTorch中的广播机制可以自动地将它们扩展到相同的形状，以便进行元素级别的操作，如求和。

以下是一个例子，演示了如何使用广播机制进行张量的求和：

import torch

# 创建两个张量
a = torch.tensor([[1, 2, 3],
                  [4, 5, 6]])  # 形状为 (2, 3)

b = torch.tensor([10, 20, 30])  # 形状为 (3,)

# 使用广播进行求和
c = a + b

print(c)

在这个例子中，我们创建了一个形状为(2, 3)的张量a，和一个形状为(3,)的张量b。它们的形状不匹配，无法直接进行相加。

但是，由于PyTorch的广播机制，它会自动地将b张量扩展为(2, 3)的形状，使得它的每一行都与a的对应行进行相加。相当于将b在第0维度（行）进行复制，扩展为：

[[10, 20, 30],
 [10, 20, 30]]

然后，a和扩展后的b形状匹配，可以进行元素级别的求和。最终的结果保存在张量c中，形状与a相同。

输出结果为：

tensor([[11, 22, 33],
        [14, 25, 36]])

这里，c的每个元素都是对应位置的a和b元素的和。

通过广播机制，我们可以方便地对不同形状的张量进行逐元素的操作，而不需要显式地扩展维度。这种方式能够提高代码的简洁性和可读性。