【Python学习记录】Numpy广播机制(broadcast)

✨ 博客主页:小小马车夫的主页
✨ 所属专栏:Python学习记录

请添加图片描述


一、什么是Numpy广播机制

Numpy、tensorflow、pytorch中数组有一种广播机制(broadcast), 就是针对两个不同形状的数组进行对应项的加,减,乘,除运算时,首先将数组调整为统一的形状,然后再进行运算。

二、Numpy广播应用

1、最简单的例子

>>> a = np.array([1, 2, 3])
>>> b = 2
>>> a * b 
array([2, 4, 6])

说明:
一个数组和一个数相乘,这是最简单的广播的例子,首先数可以理解一行一列的数组
其中,b需要扩展成[2, 2, 2]然后再和a作乘法操作

2、通用的例子

a = np.array([[1],
	[10],
	[20]
])
b = np.array([0, 1, 2])
>>> a + b
array([[ 1,  2,  3],
       [10, 11, 12],
       [20, 21, 22]])

说明:
a,b的形状分别为 (3, 1)和(1,3),则广播规则取两个数组每个维度最大值,则,最后应该是(3,3),扩展示意如下:
numpy broadcast

3、异常的例子

>>> b
array([[0, 1, 2],
       [1, 1, 1]])
>>> a.shape,b.shape
((3, 3), (2, 3))
>>> a + b
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (3,3) (2,3) 

为什么不能广播呢,这个例子证明不是所有形状不同的数组都可以作运算,下面可以看看广播的通用规则有哪些。

三、Numpy广播规则

广播规则:

  • 1、两个数组维度不相同,将两个数组维度列出向右对齐,从最后开始匹配,只有相等或者其中一个为1的情况下才会进行广播。
  • 2、如果两个数组的形状在任何一个维度上都不匹配并且没有任何一个维度等于 1, 那么会引发异常。
  • 3、满足广播机制的情况,每个数组维度都向其中维度最长看齐,形状中不足的部分都通过第1个维度补齐。

简单理解:

  • 1、维度不同的情况,比较两个数组的每一个维度,只有都相同,或有一个为才能广播,否则就报错。
  • 2、维度扩展, 就是复制前一行或前一列。

如果觉得有些帮助或觉得文章还不错,请关注一下博主,你的关注是我持续写作的动力。另外,如果有什么问题,可以在评论区留言,或者私信博主,博主看到后会第一时间进行回复。
【间歇性的努力和蒙混过日子,都是对之前努力的清零】
欢迎转载,转载请注明出处:https://blog.csdn.net/xxm524/article/details/128210631

  • 27
    点赞
  • 45
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 23
    评论
numpy广播机制是一种用于处理不同形状的数组进行对应项的加、减、乘、除等运算的机制。如果两个数组的形状在所有维度上都是兼容的,它们就可以进行广播。在广播过程中,较小的数组会被扩展以匹配较大数组的形状,使得它们具有相同的形状,然后再进行运算。这样可以避免显式地使用循环来处理不同形状的数组。\[1\]\[2\] 举个例子,如果有一个二维数组a和一个一维数组b,它们的形状不一样,但是可以进行广播运算。在广播过程中,一维数组b会被扩展为与二维数组a的形状相同,然后再进行对应项的加法运算。最终得到的结果是一个与二维数组a形状相同的数组。\[1\] 另一方面,如果两个数组的形状不兼容,即无法通过广播来匹配它们的形状,那么就无法进行广播运算。在这种情况下,会抛出一个ValueError异常。\[3\] 总之,numpy广播机制可以方便地处理不同形状的数组进行对应项的运算,提高了数组运算的效率和简洁性。\[2\] #### 引用[.reference_title] - *1* *3* [【数据分析之道-NumPy(四)】numpy广播机制](https://blog.csdn.net/AOAIYI/article/details/130076670)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [【Python学习记录Numpy广播机制(broadcast)](https://blog.csdn.net/xxm524/article/details/128210631)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 23
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一马途追

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值