### Python 广播机制实现加法操作 广播机制允许在形状不同的数组之间执行算术运算，通过自动扩展较小的数组使其与较大数组匹配。以下是几个具体的加法操作示例： #### 示例 1：标量与数组的广播 当一个标量与一个数组相加时，该标量会被广播到整个数组的每一个元素。 ```python import numpy as np a = np.array([1, 2, 3]) b = 2 print(a + b) # 输出: [3 4 5] ``` 在此示例中，标量 `b` 被广播为 `[2, 2, 2]`，从而实现了逐元素加法[^1]。 --- #### 示例 2：不同形状数组的广播 对于具有不同形状的两个数组，只要它们满足广播条件，则可以通过广播完成加法操作。 ```python a = np.array([[1, 2, 3], [4, 5, 6]]) # 形状 (2, 3) b = np.array([10, 20, 30]) # 形状 (3,) print(a + b) # 输出: # [[11 22 33] # [14 25 36]] ``` 在这个例子中，`b` 数组被广播成形状 `(2, 3)` 的二维数组[[10, 20, 30], [10, 20, 30]]，以便与 `a` 进行逐元素加法[^3]。 --- #### 示例 3：维度扩展后的广播 有时需要对低维数组进行维度扩展才能与其他高维数组配合使用。 ```python a = np.arange(3) # 形状 (3,) b = np.arange(3).reshape(-1, 1) # 形状 (3, 1) print(a + b) # 输出: # [[0 1 2] # [1 2 3] # [2 3 4]] ``` 这里，`a` 和 `b` 经过广播分别变为形状 `(3, 3)` 后再进行逐元素加法[^3]。 --- #### 示例 4：复杂场景下的广播（NumPy） 下面展示的是利用广播和 NumPy 函数共同作用的一个实例。 ```python A = np.array([[1, 2], [3, 4]]) B = np.array([1, 2]) C = np.where(A > B, A, -B) # 如果 A>B 则取 A；否则取负数形式的 B print(C) # 输出: # [[ 1 -2] # [ 3 4]] ``` 此代码片段展示了如何结合逻辑判断以及广播特性来构建更加灵活的数据处理流程[^4]。 --- #### 示例 5：PyTorch 中的应用 除了 NumPy 外，在深度学习框架 PyTorch 当中也可以看到类似的广播行为。 ```python import torch batch_size = 64 sequence_length = 10 embedding_dim = 32 item_emb = torch.randn(batch_size, sequence_length, embedding_dim) # Shape: (64, 10, 32) position_emb = torch.randn(1, sequence_length, embedding_dim) # Shape: (1, 10, 32) result = item_emb + position_emb # Broadcasting occurs here. print("Result shape:", result.shape) # Output: Result shape: torch.Size([64, 10, 32]) ``` 尽管 `position_emb` 只有一个批次大小 (`Shape: (1, ...)`) ，但它仍然能成功地应用于所有批量样本之上，这得益于其内部所支持的强大广播能力[^5]。 --- ### 总结 以上就是关于如何运用 Python 的广播机制来进行加法运算的一些典型示范案例。无论是简单的数值累加还是涉及多维张量的操作都可以借助这一高效工具轻松达成目标！