知识点回顾：
- 随机张量的生成：torch.randn函数
- 卷积和池化的计算公式（可以不掌握，会自动计算的）
- pytorch的广播机制：加法和乘法的广播机制
ps：numpy运算也有类似的广播机制，基本一致
- **
torch.randn**：快速生成随机张量，适用于初始化和数据增强。 - 卷积与池化：通过滑动窗口提取局部特征，公式决定输出尺寸。
- 广播机制：自动扩展维度，简化代码逻辑，提升计算效率。
1. 随机张量的生成：
torch.randn函数torch.randn是 PyTorch 中用于生成服从标准正态分布（均值为 0，标准差为 1）的随机数的函数。其核心参数是张量的形状（*size），其他参数如数据类型、设备（CPU/GPU）等为可选配置。关键特性：
- 形状参数：通过
*size指定张量维度，例如torch.randn(3, 4)生成一个 3x4 的张量。 - 可选参数：
dtype：数据类型（默认float32）。device：指定设备（如cuda:0表示 GPU）。requires_grad：是否跟踪梯度（默认False）。
- 应用场景：初始化神经网络权重、生成随机噪声等。
import torch # 生成 2x3 的标准正态分布张量 tensor = torch.randn(2, 3) print(tensor) # 生成均值为 2、标准差为 0.5 的正态分布张量 custom_tensor = torch.randn(2, 2, mean=2, std=0.5) print(custom_tensor)2. 卷积和池化的计算公式
卷积和池化是深度学习中常用的特征提取操作，其核心是滑动窗口内的数学运算。
卷积计算公式（以一维为例）：
离散卷积公式：
(f∗g)(n)=∑if(i)⋅g(n−i)(f * g)(n) = \sum_{i} f(i) \cdot g(n-i)(f∗g)(n)=∑if(i)⋅g(n−i)- 输入信号：长度为 MMM 的序列 xxx。
- 卷积核：长度为 NNN 的滤波器 hhh。
- 输出长度：M+N−1M + N - 1M+N−1（无填充且步长为 1）。
PyTorch 中的卷积参数：
kernel_size：卷积核大小。stride：滑动步长。padding：填充大小。dilation：卷积核元素间距。池化计算公式：
池化操作通过降维减少计算量，常用最大池化（Max Pooling）和平均池化（Average Pooling）。
- 输出尺寸：
Oheight=⌊Hin+2P−KS+1⌋O_{height} = \left\lfloor \frac{H_{in} + 2P - K}{S} + 1 \right\rfloorOheight=⌊SHin+2P−K+1⌋
Owidth=⌊Win+2P−KS+1⌋O_{width} = \left\lfloor \frac{W_{in} + 2P - K}{S} + 1 \right\rfloorOwidth=⌊SWin+2P−K+1⌋- Hin/WinH_{in}/W_{in}Hin/Win：输入高度/宽度。
- K：池化核大小。
- S：步长。
- P：填充大小。
示例：
输入特征图尺寸为 28×2828 \times 2828×28，使用 2×22 \times 22×2 的最大池化（步长 2，无填充），输出尺寸为 14×1414 \times 1414×14。
3. PyTorch 的广播机制
广播机制允许不同形状的张量进行逐元素运算（如加法、乘法），无需显式扩展内存。
广播规则：
- 维度对齐：从右向左逐一对齐维度，若维度大小相等或其中一个为 1，则兼容。
- 扩展维度：若张量缺少某维度，则在左侧补 1。
- 扩展大小为 1 的维度：将大小为 1 的维度扩展为另一张量的对应维度大小。
a = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 形状 (2, 3) b = torch.tensor([10, 20, 30]) # 形状 (3,) # 广播后 b 的形状变为 (2, 3) result = a + b print(result) # 输出: # tensor([[11, 22, 33], # [14, 25, 36]])