深度学习中的张量扩展原理

        在深度学习中，张量进行常常会进行广播扩展，以适应目标的矩阵行列数，对此，我非常好奇，在进行扩展的过程中，使用到的数据是什么。

        是怎样将不同维数的矩阵最后融合在一起的？是怎样复用矩阵中的数据的。

        最后，发现实际上，在张量进行广播扩展的时候，使用的完全是“逻辑扩展”。

        官方的讲解，我自己觉得比较晦涩，广播不复制数据，也不生成新数据，它只是通过“虚拟索引”或者“步长（stride）机制”，在访问时重复使用原张量中已有的数据。

        这里，我给出我自己的解释。

        即，每一个张量，都可以认为是一个存储这对应位置数据的一个容器。

        而最后，需要转换到的，相当于是一片未之的蓝海。

        我们需要知道的是，如何在这片蓝海中，了解到我的容器里面的数据。

        所以，我们直接将各个容器中的值，在蓝海中进行标注，最后得到的便是完整的信息。