day48/60

DAY 48 随机函数与广播机制

知识点回顾：

1. 随机张量的生成：torch.randn函数
2. 卷积和池化的计算公式（可以不掌握，会自动计算的）
3. 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

作业：自己多借助ai举几个例子帮助自己理解即可

---

我会结合生活中的 **“抽奖发礼物”“超市货架补货”** 等场景，将这些知识点转化为直观有趣的内容，并整理成清晰的学习笔记，方便你理解记忆。

一、知识点通俗解释 + 趣味比喻

1. 随机张量的生成：torch.randn 函数

含义：torch.randn是 PyTorch 中用于生成符合标准正态分布（均值为 0，标准差为 1）的随机张量的函数。生成的张量中每个元素的值随机且符合特定的概率分布规律，常用于初始化模型参数、生成随机噪声数据等。
比喻：把torch.randn想象成 “抽奖箱” 。抽奖箱里装满了写着不同数字的小球，这些数字的分布是有规律的 —— 大部分小球上的数字集中在 0 附近，离 0 越远的数字，抽到的概率越低。每次调用torch.randn(size)，就像从抽奖箱里按size规定的数量（比如[3, 4]表示抽 3 行 4 列个小球）随机抽取小球，组成一个数字表格（张量） 。例如，用torch.randn(2, 2)得到的张量，就像从抽奖箱里随机抽出 4 个小球，把数字依次填入 2 行 2 列的表格中。

2. 卷积和池化的计算公式（可以不掌握，会自动计算的）

含义：

 

• 卷积：通过卷积核（小的权重矩阵）在输入张量上滑动，进行加权求和，提取局部特征；
• 池化：对输入张量的局部区域（如一个小方格）进行聚合操作（如取最大值、平均值），降低数据维度，减少计算量并保留主要特征。
  虽然计算公式复杂（如卷积的滑动步长、填充计算），但在 PyTorch 中，只需定义好卷积层和池化层的参数，框架会自动完成计算。
  比喻：
• 卷积：像是 “盖章寻宝” 。输入张量是一张大地图，卷积核是一个刻着特殊图案的印章。盖章的人拿着印章在地图上一格一格地移动（滑动），每次盖章时，根据印章图案（卷积核权重）给地图上对应区域打分，找出可能藏有宝藏（特征）的地方。
• 池化：好比 “挑选代表” 。把地图划分成一个个小方格（局部区域），每个方格里选一个最厉害的代表（如最大值池化就是选方格中数值最大的元素），其他元素都舍弃。这样地图上的信息变少了，但留下的都是 “精英”，既能保留关键特征，又能缩小地图（张量）的大小。
  因为 PyTorch 会自动完成盖章和选代表的过程，所以我们不用手动计算每一步，就像有机器人帮忙干活，我们只需要告诉它怎么干（设置参数）就行。

3. PyTorch 的广播机制：加法和乘法的广播机制

含义：当对形状不同的张量进行加法、乘法等运算时，PyTorch 会自动调整张量的形状，使运算能够进行，这个过程称为广播机制。它遵循一定的规则，比如从张量的右往左对齐维度，较小维度会被扩展（复制）到与较大维度相同大小。
比喻：把广播机制想象成 “超市货架补货” 。假设我们有两种商品数据：

 

• 张量 A 是一排货架上每种商品的库存数量（形状为[5]，5 种商品）；
• 张量 B 是所有货架都要增加的补货数量（形状为[1]，只有 1 个数字，表示每种商品都补相同数量）。
  当我们要计算补货后的总库存（张量 A + 张量 B）时，广播机制就像超市员工自动把张量 B 的补货数量复制 5 份，分别对应到 5 种商品上，然后再进行相加。这就像员工不用手动一个一个计算每种商品补多少，系统自动帮他们完成复制和计算，高效又便捷。乘法也是类似的逻辑，比如张量 B 是每种商品的涨价倍数，广播机制会自动复制倍数，计算出每种商品涨价后的价格。

二、学习笔记

1. 核心概念速记表

知识点	核心定义	生活比喻	关键函数 / 操作	用途举例
随机张量的生成	生成符合标准正态分布的随机张量	抽奖箱随机抽数字填表	torch.randn(size)	初始化模型参数、生成噪声数据
卷积和池化	提取特征、降维，框架自动计算	盖章寻宝、挑选代表	nn.Conv2d、nn.MaxPool2d	图像识别、数据预处理
PyTorch 广播机制	自动调整张量形状以进行运算	超市货架自动补货计算	张量加、乘等运算	高效处理不同形状张量计算

2. 重点代码示例

python

# 1. 随机张量生成
import torch
random_tensor = torch.randn(3, 4)  # 生成3行4列的随机张量# 2. 卷积和池化（定义层，自动计算）
import torch.nn as nn
conv_layer = nn.Conv2d(3, 16, kernel_size=3)  # 输入3通道，输出16通道，3x3卷积核
pool_layer = nn.MaxPool2d(kernel_size=2)  # 2x2最大值池化
input_data = torch.randn(1, 3, 32, 32)  # 模拟输入数据
output_conv = conv_layer(input_data)
output_pool = pool_layer(output_conv)# 3. 广播机制示例
a = torch.randn(5)  # 形状[5]
b = torch.tensor([2])  # 形状[1]
c = a + b  # 自动广播，相当于a + [2, 2, 2, 2, 2]

3. 复习口诀

.randn 像抽奖，正态分布数字挑；
卷积池化自动算，盖章选代特征显；
广播机制似补货，形状不同自动扩；
加乘运算高效做，PyTorch 里真灵活。

 

通过这些比喻和笔记，希望能让你轻松掌握这些知识点。如果还有疑问，随时可以问我！

---

---