网站中国风模板联兴建设官方网站

ai举例子通俗易懂理解@浙大疏锦行

下面用例子帮你理解这几个知识点：

1. 随机张量的生成：torch.randn函数

torch.randn会生成符合标准正态分布（均值为0，标准差为1）的随机数张量，形状由输入的参数决定。

• 比如torch.randn(2, 3)，会生成一个2行3列的张量，里面的数是随机的，可能像这样：
tensor([[ 0.52, -1.23,  0.89],
        [-0.34,  1.56, -0.71]])
可以理解为“按指定形状，随机抽一批符合标准正态分布的数”。

2. 卷积和池化的计算公式（简单类比）

• 卷积：比如用一个3×3的卷积核扫过5×5的图片，步长为1，边缘不填充（padding=0），最后得到的结果是3×3（5-3+1=3）。就像用小刷子刷大图片，刷子每挪一步，留下一个“局部计算结果”。

• 池化：比如对4×4的特征图做2×2的最大池化，步长为2，结果是2×2（4÷2=2）。相当于把图片分成2×2的小块，每个小块里取最大的数，“压缩图片同时保留关键信息”。

3. PyTorch的广播机制（加法/乘法）

当两个形状不同的张量运算时，会自动“扩展”成相同形状再计算（前提是能扩展）。

• 加法例子：
张量A是[1, 2, 3]（形状1×3），张量B是[[4], [5]]（形状2×1），相加时会自动扩展：
A扩展成[[1,2,3], [1,2,3]]（2×3），B扩展成[[4,4,4], [5,5,5]]（2×3），结果是[[5,6,7], [6,7,8]]。

• 简单说：“能对齐的维度就直接算，不能对齐的就自动复制扩展，直到形状一致”。
（numpy的广播机制和这个逻辑完全一样）