python第48天打卡

import torch

# 生成标准正态分布的随机张量
a = torch.randn(3)        # 1维张量 (3个元素)
b = torch.randn(2, 3)     # 2x3 矩阵
c = torch.randn(1, 2, 3)  # 三维张量 (1x2x3)

print(f"a: {a}\nshape: {a.shape}")
print(f"b:\n{b}\nshape: {b.shape}")
print(f"c:\n{c}\nshape: {c.shape}")

 2. 卷积/池化尺寸计算（补充）

import torch.nn as nn

# 卷积层尺寸公式
def conv_size(H_in, W_in, kernel, stride=1, padding=0):
    H_out = (H_in + 2*padding - kernel) // stride + 1
    W_out = (W_in + 2*padding - kernel) // stride + 1
    return H_out, W_out

# 示例：输入32x32图片，3x3卷积核
print("卷积输出尺寸:", conv_size(32, 32, kernel=3, padding=1))  # (32,32)

3. 广播机制详解（重点示例）

规则总结：

1. 从最右边维度开始对齐

2. 维度兼容条件：相等 / 其中一个是1 / 其中一个不存在

3. 缺失维度自动补1                                                                                                                       示例1：基础广播（向量+标量）

v = torch.tensor([1, 2, 3])  # (3)
s = torch.tensor(10)         # () -> 广播为(3)

print(v + s)  # tensor([11, 12, 13])

 示例2：矩阵+向量（自动补维度）

M = torch.ones(2, 3)  # (2,3)
v = torch.tensor([1, 2, 3])  # (3) -> 广播为(1,3) -> (2,3)

"""
计算过程：
M: [[1,1,1],   v: [[1,2,3]]   -> 广播后：
     [1,1,1]]        [[1,2,3]]

结果：[[2,3,4],
      [2,3,4]]
"""
print(M + v)

示例3：三维广播（维度扩展）

A = torch.ones(3, 1, 2)  # (3,1,2)
B = torch.tensor([[1, 2]])  # (1,2) -> 广播为(1,1,2) -> (3,1,2)

"""
广播过程：
A: [[[1,1]],   B: [[[1,2]]] -> 扩展为：
    [[1,1]],           [[1,2]]
    [[1,1]]]           [[1,2]]
"""
print(A * B)  # 逐元素乘法

@浙大疏锦行