- 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，模型会自动计算的）
- 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
作业：借助ai举几个例子帮助自己理解
一、PyTorch张量
1.张量的定义
张量（Tensor）是深度学习中，PyTorch操作的基本数据类型，详细解释如下
张量是多维数组的泛化，可以看作是标量、向量、矩阵的高维扩展。例如：
-
标量（0维张量）：只有一个数值，如
5。 -
向量（1维张量）：一维数组，如
[1, 2, 3]。 -
矩阵（2维张量）：二维数组，如
[[1, 2], [3, 4]]。 -
更高维的张量：如三维张量可以表示图像数据（高×宽×通道数）。
2.生成随机张量
（1）使用场景：权重的初始化，或者计算输入纬度经过模块后输出的维度
（2）常用函数：
torch.randn(size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
- size：必选参数，表示输出张量的形状，如(3, 4)表示 3 行 4 列的矩阵
- dtype：可选参数，指定张量的数据类型，如torch.float32、torch.int64
- device：可选参数，指定张量存储的设备，如cpu或cuda）
- requires_grad：可选参数，是否需要计算梯度，常用于训练模型时
二、PyTorch广播机制
PyTorch 的广播机制是一种张量运算性质（即自动扩展特性），允许在不同形状的张量之间进行运算（如加法、乘法），而无需显式扩展或复制数据。这种机制通过自动调整张量维度来实现形状兼容，使代码更简洁、计算更高效。
当对两个形状不同的张量进行运算时，PyTorch 会按以下规则自动调整维度，使两个张量相互兼容：
1. 从右向左比较维度：PyTorch 从张量的最后一个维度（最右侧）开始向前逐维比较。
2. 维度扩展条件：
- 相等维度：若两个张量在某一维度上大小相同，则继续比较下一维度。
- 一维扩展：若其中一个张量在某一维度上大小为 1，则该维度会被扩展为另一个张量对应维度的大小。
- 不兼容错误：若某一维度大小既不相同也不为 1，则抛出 RuntimeError。-----维度必须满足广播规则，否则会报错。
3. 维度补全规则：若一个张量的维度少于另一个，则在其左侧补 1， 直至维度数匹配。
