Numpy中的Broadcasting

最新推荐文章于 2024-04-01 07:00:00 发布

Lefenger

最新推荐文章于 2024-04-01 07:00:00 发布

阅读量647

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Numpy 文章标签： numpy 扩展

本文链接：https://blog.youkuaiyun.com/AbstractSky/article/details/76769192

Numpy 专栏收录该内容

9 篇文章

订阅专栏

本文详细介绍了NumPy中的广播机制，这是一种允许不同形状的数组进行运算的功能。通过多个实例展示了广播的具体应用，包括一维、二维及三维数组之间的运算，并解释了其背后的规则。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Broadcasing即扩展，推广的意思，是为了使不同shape的array相互能够进行运算。
例子如下：

a = np.array([1.0, 2.0, 3.0])
b = np.array([2.0, 2.0, 2.0])
a * b
array([ 2., 4., 6.])

>>> a = np.array([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([ 2.,  4.,  6.])

其中扩展规则如下，从后往前依次对shape中的各个值进行比较，兼容的情况有如下三种：

二者的数值一样
其中有一个数值为1
shape长度不一样时，扩展时长度不够的那一个自动进行长度扩展，扩展值为1.

下面是详细的例子：

Image  (3d array): 256 x 256 x 3
Scale  (1d array): 3
Result (3d array): 256 x 256 x 3

A  (4d array):  8 x 1 x 6 x 1
B  (3d array):  7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

A  (2d array):  5 x 4
B  (1d array):  1
Result (2d array):  5 x 4

A  (2d array):  5 x 4
B  (1d array):  4
Result (2d array):  5 x 4

A  (3d array):  15 x 3 x 5
B  (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A  (3d array):  15 x 3 x 5
B  (2d array):   3 x 5
Result (3d array):  15 x 3 x 5

A  (3d array):  15 x 3 x 5
B  (2d array):   3 x 1
Result (3d array):  15 x 3 x 5