Python/Numpy中的矩阵向量的广播（Broadcasting）特性

在进行机器学习、神经网络的变成过程当中，基本上是一定会使用到矩阵或者向量的，但是如果不了解Python/Numpy中的矩阵或者向量的特性，则会经常出现一些自己意想不到的bug，并且调试起来非常困难。

下面我们就来看看它们有哪些特性。

一、首先我们先一起了解一下Python/Numpy中的广播（Broadcasting）特性

在python或者Numpy中，如果你用一个向量 和一个 常数相加，会有什么效果？ 如下面的例子：

系统不会因为维度不一致而报错，而是自动把常数100扩展成一个3行1列的矩阵，然后再进行相加，也就相当于：

这其实就是python/Numpy的广播特性了，再看一个例子，看看下面这个矩阵算是，Python会怎么处理？

我想你一定猜到了，就是将第二个1行3列的矩阵，自动扩展成2行3列，然后再进行计算，如下：

再举一个例子，因为逻辑非常类似，我就直接给答案了^_^：

总结一下，如果一个m*n的矩阵和一个m*1的矩阵做运算，在Python/Numpy中，会自动把第二个矩阵扩展为m*n之后，再进行运算；同理，如果以个m*n的矩阵和一个1*n的矩阵做运算，系统也会自动把第二个矩阵扩展为m*n。

那可能很多同学看到这里，不禁会问，如果是一个m*n的矩阵和一个x*y （m<>x,n <> y）的矩阵进行预算，系统会怎么处理呢？

没错，系统会报错：ValueError: operands could not be broadcast together with shapes (3,3) (2,2)

相信您已经对Python/Numpy的广播（Broadcasting）特性有所了解了。这种特性，虽然可以让编程更为灵活简洁，但是如果没有掌握好这种特性，也经常会因此而产生难以察觉的bug，在编程过程中需要多加注意。