Day48

1、随机张量的生成：torch.randn函数
torch.randn 是 PyTorch 里用于生成随机数张量的函数。它所生成的随机数遵循标准正态分布，也就是均值为 0，标准差为 1 的分布。在神经网络的训练中，这个函数十分常用，像初始化权重的时候就会用到。
 
通俗来讲，你可以把 torch.randn 想象成一个 “随机数生成器”，它能按照你的要求创建指定大小的张量，并且张量里的每个数都是从标准正态分布中随机抽取的。
2、卷积和池化的计算公式（可以不掌握，会自动计算的）
卷积的计算
在卷积操作中，输出的尺寸由输入尺寸、卷积核大小、步长（stride）以及填充（padding）共同决定。其计算公式如下：
输出尺寸=⌊步长输入尺寸−卷积核大小+2×填充​⌋+1
举个例子，当输入是一个 10×10 的图像，使用 3×3 的卷积核，步长设为 1，不进行填充（即填充为 0）时，输出的尺寸就是 8×8。
⌊110−3+2×0​⌋+1=8

池化的计算
池化操作的输出尺寸计算方式和卷积类似。以最大池化（Max Pooling）为例，其计算公式为：
输出尺寸=⌊步长输入尺寸−池化核大小​⌋+1
例如，输入为 8×8 的特征图，采用 2×2 的池化核，步长为 2，那么输出尺寸就是 4×4。
⌊28−2​⌋+1=4

3、pytorch的广播机制：加法和乘法的广播机制

PyTorch 的广播机制允许在不同形状的张量之间进行算术运算，不过需要满足一定的规则。

加法的广播机制
当两个张量的形状不同时，PyTorch 会尝试对它们进行广播，使其形状变得兼容。具体规则是：从右往左逐个比较两个张量的维度。如果维度相等，或者其中一个维度为 1，那么就可以进行广播；否则，会抛出错误。
例如：

import torch
 
# 张量a的形状是(3, 1)
a = torch.tensor([[1], [2], [3]])
# 张量b的形状是(1, 4)
b = torch.tensor([[1, 2, 3, 4]])
 
# 广播后，两个张量的形状都变为(3, 4)
c = a + b
print(c)

乘法的广播机制

乘法的广播机制和加法是一样的，也是按照从右往左的顺序比较维度，遵循相同的规则。
例如：

# 张量a的形状是(3, 1)
a = torch.tensor([[2], [3], [4]])
# 张量b的形状是(1, 3)
b = torch.tensor([[1, 2, 3]])
 
# 广播后，两个张量的形状都变为(3, 3)
c = a * b
print(c)

@浙大疏锦行