吴恩达深度学习第1课 2.15：Python中的广播

视频封面

视频元信息

视频标题：(官方中英!) 2026公认最好的【吴恩达深度学习】教程！附课件、代码及实战项目 Professionalization of Deep Learning p22 22 - 2.15Python中的广播
所属课程：吴恩达深度学习专项课程 - 神经网络与深度学习（第一门课）
章节：2.15 Python 中的广播（Broadcasting）
主讲人：吴恩达（Andrew Ng）
时长：约 11 分钟
主题：Python NumPy 中的广播机制（Broadcasting）及其在深度学习向量化计算中的应用

内容摘要（TL;DR）

本节以“计算四种食物中碳水、蛋白质、脂肪的卡路里占比”为例，演示如何用两行 NumPy 代码（A.sum(axis=0) 和 A / cal.reshape(1,4)）替代显式 for 循环，实现矩阵按列归一化。随后系统讲解 Python 广播机制的核心规则：当 (m,n) 矩阵与 (1,n)、(m,1) 或标量运算时，NumPy 会自动扩展较小维度以匹配较大维度，从而进行逐元素运算。

一、引入：为什么要用广播？[00:00]

上一节提到广播（Broadcasting）是让 Python 代码运行更快的重要技巧。
本节深入探讨广播在 Python 中实际如何工作。
核心目标：用更少的代码、更快的速度完成矩阵运算，避免显式 for 循环。

理解：广播的本质是 NumPy 在底层自动“复制”较小数组以匹配较大数组的形状，从而支持逐元素运算。它让代码更简洁，同时利用底层 C 语言实现获得速度优势。

二、案例背景：食物卡路里占比计算 [00:11]

2.1 数据矩阵

视频以一个 3×4 矩阵为例，展示 100 克四种食物中来自碳水、蛋白质、脂肪的卡路里数：

营养素	苹果	牛肉	鸡蛋	土豆
碳水（Carb）	56.0	8.2	1.2	68.0
蛋白质（Protein）	1.2	104.0	57.0	0.9
脂肪（Fat）	1.8	135.0	5.0	0.2

例如：100 克苹果含 56 卡来自碳水，来自蛋白质和脂肪的卡路里则少得多。
100 克牛肉含 104 卡来自蛋白质、135 卡来自脂肪。

2.2 计算目标

计算每种食物中碳水、蛋白质、脂肪各自贡献的卡路里百分比。

手工计算示例（苹果）：

总卡路里 = 56 + 1.2 + 1.8 = 59 卡
碳水占比 = 56 / 59 ≈ 94.9%

易错点： 分母是每一列（每种食物）的总和，不是整张矩阵的总和。方向搞错会导致结果完全错误。

2.3 关键问题

能否不使用显式 for 循环完成这个计算？ [01:54]

三、代码实现：两行搞定 [02:04]

3.1 矩阵定义

将数据矩阵记为 3×4 矩阵 A：

import numpy as np
A = np.array([[56.0, 0.0, 1.2, 68.0],
              [1.2, 104.0, 57.0, 0.9],
              [1.8, 135.0, 5.0, 0.2]])

3.2 第一行代码：按列求和 [02:55]

cal = A.sum(axis=0)
# 输出: [59.0, 239.0, 63.2, 69.1]

axis=0 表示垂直方向求和（沿列方向压缩，得到每一列的总和）。
结果 cal 是一个 1×4 矩阵，对应四种食物的总卡路里。

重点： axis=0 是垂直求和，axis=1 是水平求和。这是 NumPy 中最容易记混的参数之一。

3.3 第二行代码：按列归一化 [03:19]

percentage = 100 * A / cal.reshape(1, 4)
# 输出: 3×4 矩阵，每列百分比之和为 100%

用 3×4 矩阵 A 除以 1×4 矩阵 cal，这就是广播的典型应用。
结果第一列第一行 = 56 / 59 ≈ 94.9%，与手工计算一致。

3.4 关于 reshape 的说明 [04:42]

技术上，cal 本身就是 1×4 矩阵，不需要再调用 reshape，这一步是冗余的。
但吴恩达建议：当不确定矩阵维度时，养成调用 reshape 的习惯。
reshape 是常数时间操作（constant time），调用成本极低，不用担心性能问题。

思考：这是一种防御性编程思维——用极小的成本换取代码维度的确定性，避免因维度不匹配导致的隐蔽 bug。

四、广播机制详解 [05:21]

4.1 核心问题

3×4 矩阵如何能除以 1×4 矩阵？NumPy 在底层做了什么？

4.2 示例一：向量 + 标量

[1]     [100]     [101]
[2]  +  [100]  =  [102]
[3]     [100]     [103]
[4]     [100]     [104]

4×1 向量加一个数，Python 会把该数扩展成 4×1 向量，每个元素都加 100。
这正是逻辑回归中 b 参数（标量）加到向量上的广播形式。

4.3 示例二：(m,n) 矩阵 + (1,n) 矩阵

[1 2 3]     [100 200 300]     [101 202 303]
[4 5 6]  +  [100 200 300]  =  [104 205 306]

2×3 矩阵加 1×3 矩阵：Python 将 1×3 矩阵垂直复制 m 次，变成 m×n 矩阵后逐元素相加。
视频中的除法案例本质与此相同，只是运算从加法换成了除法。

4.4 示例三：(m,n) 矩阵 + (m,1) 矩阵

[1 2 3]     [100 100 100]     [101 102 103]
[4 5 6]  +  [200 200 200]  =  [204 205 206]

2×3 矩阵加 2×1 矩阵：Python 将 2×1 矩阵水平复制 n 次，变成 m×n 矩阵后逐元素相加。

4.5 通用广播原则 [08:08]

运算形式	广播行为
(m,n) 与 (1,n) 运算	将 (1,n) 垂直复制 m 次 → (m,n)
(m,n) 与 (m,1) 运算	将 (m,1) 水平复制 n 次 → (m,n)
(m,1) 与标量（1×1）运算	将标量复制 m 次 → (m,1)
(1,n) 与标量（1×1）运算	将标量复制 n 次 → (1,n)

以上四类运算均支持加、减、乘、除四种逐元素操作。

重点： 广播的通用原则——当两个数组维度不同时，NumPy 会将维度为 1 的轴沿该轴方向扩展，直到与另一个数组匹配。

4.6 更通用的广播规则【拓展】

NumPy 官方文档中广播的完整规则如下（比视频中介绍的四类更通用）：

如果两个数组维度数不同，维度较少的数组会在前面补 1，直到维度数相同。
在任一维度上，如果两个数组大小相同，或其中一个大小为 1，则兼容。
在任一维度上，如果大小为 1，则该数组会沿此维度扩展到匹配另一个数组的大小。
如果任一维度上大小不同且都不为 1，则抛出错误。

示例：

# (3,1) 与 (1,4) 广播 → (3,4)
a = np.array([[1],[2],[3]])       # shape (3,1)
b = np.array([[10,20,30,40]])     # shape (1,4)
c = a + b                          # shape (3,4)