吴恩达深度学习--广播基础

最新推荐文章于 2025-06-08 18:58:07 发布
原创 最新推荐文章于 2025-06-08 18:58:07 发布 · 921 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#吴恩达 #深度学习 #广播 #broadcasting

本文通过吴恩达的深度学习课程介绍了广播（Broadcasting）的概念，它能提升Python代码执行效率。以计算水果中各成分比重为例，详细解释了如何使用广播计算大量数据时的比重，包括创建矩阵A，纵向求和以及计算百分比的步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • 广播是一种手段，可以让python代码执行的更快。下面用一个例子来详细介绍一下广播。

  • 图一是4种水果中各种成分的含量。

  •  我们求各种成分在各个水果中所占的比重，通常的计算方法是用该成分的含量除以水果的总含量，如果数据量很多，那么这种计算方法的效率是很低的，而用广播的方法会大大提高效率。方法如下：
  •  （1）首先输入图一中的矩阵

           A = np.array ( [ [ 56.0, 0.0, 4.4, 68.0 ],

最低0.47元/天 解锁文章

200万优质内容无限畅学
【深度学习】张量的广播专题
gongdiwudu的专栏
07-17 7459
张量广播（tensor broadcasting）是一种将低维张量自动转化为高维张量的技术，使得张量之间可以进行基于元素的运算（如加、减、乘等）。在进行张量广播时，会将维度数较少的张量沿着长度为1的轴进行复制，在匹配维度后，两个张量就可以进行运算。
深度学习 - 张量的广播机制和复杂运算
weixin_47552266的博客
06-05 1959
张量的广播机制（Broadcasting）是一种处理不同形状张量进行数学运算的方式。通过广播机制，PyTorch可以自动扩展较小的张量，使其与较大的张量形状兼容，从而进行元素级的运算。
2.15 Python 中的广播-深度学习-Stanford吴恩达教授
赵继超的笔记
04-05 5037
Python 中的广播 (Broadcasting in Python) 课程PPT
随机函数与广播机制
最新发布
zx15600886035的博客
06-08 1195
Softmax输出: tensor([[0.0712, 0.0626, 0.1332, 0.1275, 0.1605, 0.0882, 0.0890, 0.0898, 0.0871,在深度学习中经常需要随机生成一些张量，比如权重的初始化，或者计算输入纬度经过模块后输出的维度，都可以用一个随机函数来实现需要的张量格式，而无需像之前一样必须加载一张真实的图片。[ 0.4898, 1.4782, 0.2019, 0.0863]]),矩阵形状: torch.Size([3, 4])
吴恩达深度学习--广播技巧
huanhuan_Coder的博客
01-24 569
（1） （2） （3）       a=np.random.randn(5) //生成5个随机变量放在a数组中       上式中随机生成的a是一个数组，而不是一个行向量或者列向量。这种方式生成的随机变量是危险的，我们在计算中如果生成这种数据形式，可能会给后面的计算带来难以调试的bug。       如上图所示，生成的a在形式上像是一个行向量，但是它的转置并不是一个列向
深度学习中，广播（broadcasting）机制
weixin_52153243的博客
07-29 1300
在这些操作中，如果操作数的形状不同，但满足广播规则，系统会自动扩展其中一个操作数以使其与另一个操作数的形状匹配，然后执行逐元素的运算。这种机制使得在某些情况下，可以对形状不同但具有一定兼容性的张量进行操作，而无需显式地扩展张量的维度或复制数据。这样，通过广播机制，我们可以避免显式地复制数据或者扩展维度，使得逐元素操作在形状不完全匹配但满足广播规则的张量上自然进行。：如果一个张量的某个维度为1，而另一个张量在该维度上有大于1的大小，则通过复制该维度上的数据来扩展至相同大小。，然后进行逐元素的加法运算。
python深度学习基于pytorch——广播机制
weixin_42259833的博客
05-17 422
注意广播的计算： #coco #广播机制 import torch import numpy as np A = np.arange(0, 40, 10).reshape(4, 1) print(A) # [[ 0] # [10] # [20] # [30]] B = np.arange(0, 3) print(B) # [0 1 2] # 把ndarray转换为Tensor A1 = torch.from_numpy(A) # 形状为4x1 print(A1) # tensor([[ 0]
吴恩达深度学习-L1 神经网络和深度学习总结
weixin_52861033的博客
02-17 1292
吴恩达《深度学习专项》第一阶段总结与第二阶段预览 - 知乎 (zhihu.com)自我感觉达到文章里Level3的水平了，对于计算中的某些细节还有些不清楚，比如导数的计算，怎么来的，反向传播的过程中的cache存储等。%5Calpha。
吴恩达深度学习-哔哩哔哩哔全讲笔记（1-2周）
a2268850905的博客
06-30 1174
吴恩达深度学习哔哩哔哩全讲第一到二周笔记
吴恩达深度学习作业代码官方答案.pdf
12-03
根据提供的文件内容，以下是关于吴恩达深度学习课程作业代码的相关知识点： 吴恩达（Andrew Ng）是深度学习领域的著名学者，他所开设的深度学习专项课程（Deep Learning Specialization）是业内非常受欢迎的在线...
吴恩达-深度学习（1-3节）
programDH的博客
03-25 1005
小白学习吴恩达大佬的深度学习做的一些笔记以及自己的一些理解，有错误欢迎指正~。持续更新中~
动手学深度学习——数据操作之广播机制
时生的博客
03-01 2578
在某些情况下，即使两个数组的形状不同，我们仍然可以通过调用 广播机制：broadcasting mechanism 来执行按元素操作。 这种机制的工作方式如下：首先，通过适当复制元素来扩展一个或两个数组， 以便在转换之后，两个数组具有相同的形状。 其次，对生成的数组执行按元素操作。
深度学习记录--广播(Broadcasting)
Xudong_12345的博客
12-03 831
广播)，在python中是一种矩阵初等运算的手段，用于将一个常数扩展成一个矩阵，使得运算可行。
深度学习中常用numpy操作(4.广播)
ShawDa's Blog
02-07 874
# -*- coding:utf-8 -*- import numpy as np # Broadcasting # 广播可以用来计算不同维度的矩阵之间的计算问题，一般用来解决这样的问题：我们有一个大矩阵和一个小矩阵，我们想用小矩阵对大矩阵进行多次重复的操作 # 对矩阵的每一行加上一个向量，常规方法这样操作 x = np.arange(1, 13).reshape(4, 3) v = np.
【深度学习】什么叫做广播，让Numpy教你
qq_45537774的博客
08-19 959
在深度学习(Deep Learning)中我们可以学习到什么叫做广播呢？其实就是 python的一个库Numpy数组运算库 更准确的说应该是矩阵 import Numpy as np A=np.array(([1,2,3],[4,5,6]),int) B=np.array([2,2,2],int) C=A*B print(C) #Output:[[ 2 4 6] [ 8 10 12]] ...
吴恩达深度学习：2.15python中的广播
aikunjiao3421的博客
01-30 138
1.Broadcasting example 　　(1)下面矩阵描述了来自四种不同的100克碳水化合物，蛋白质和脂肪的卡路里数量 　　 　　比如说100g苹果所含的热量有56克来自碳水化合物，相比之下来自蛋白质和脂肪的卡路里数就很少了。相反，100g的牛肉，有104卡路里来自蛋白质，135克来自脂肪，没有卡路里来自碳水化合物。现在我们来计算一下四种食物中，有多少卡路里的百分比来自碳...
【深度学习重要基础】PyTorch中的广播机制
weixin_54335478的博客
08-19 1645
广播机制可以应用于一系列的逐元素操作，例如加法、减法、乘法、除法等。通过广播机制，我们可以方便地对形状不同的张量进行逐元素操作，避免了手动扩展张量的操作。如果两个张量的形状不完全匹配，PyTorch会自动使用广播机制来进行形状的扩展，使得两个张量的形状相容，从而进行逐元素操作。（Broadcasting）是一种用于在不同形状的张量之间执行逐元素操作的机制。在进行逐元素操作时，在PyTorch中，
吴恩达深度学习笔记(14)-Python中的广播Broadcasting in Python
Harpoon_fly的博客
11-30 506
Python 中的广播（Broadcasting in Python） 这个广播的入门讲解先从一个栗子开始： 这是一个不同食物(每100g)中不同营养成分的卡路里含量表格，表格为3行4列，列表示不同的食物种类，从左至右依次为苹果，牛肉，鸡蛋，土豆。行表示不同的营养成分，从上到下依次为碳水化合物，蛋白质，脂肪。 那么，我们现在想要计算不同食物中不同营养成分中的卡路里百分比。 现在计算苹果中的碳水...
B站吴恩达深度学习视频笔记（12）——Python中的广播
nine_mink的博客
03-19 354
前言 没错，就是python的这个东西让向量化大大提高你代码的运行速度，python的广播机制。在这一篇笔记，我们会从一个例子开始。其实python的广播机制很简单。 python中的广播 这是一个不同食物(每100g)中不同营养成分的卡路里含量表格，表格为3行4列，列表示不同的食物种类，从左至右依次为苹果，牛肉，鸡蛋，土豆。行表示不同的营养成分，从上到下依次为碳水化合物，蛋白质，脂肪。 那么，...
吴恩达深度学习课程L1-3作业解析
资源摘要信息:"深度学习-吴恩达L1-3 浅层神经网络 作业" 在吴恩达教授的深度学习课程中，浅层神经网络是机器学习中一个基础且重要的概念。本作业主要涉及浅层神经网络的实现与应用，以及相关的编程实践。 首先，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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