知识点： 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、torch.randn 生成随机张量
作用：生成服从标准正态分布（均值 0，方差 1）的随机张量。
例子：
import torch
# 生成形状为(2, 3)的二维随机张量
tensor1 = torch.randn(2, 3)
print(tensor1)
# 输出类似：
# tensor([[-0.1234, 0.4567, -0.8901],
# [ 1.2345, -0.6789, 0.3456]])
# 生成形状为(3, 2, 4)的三维随机张量（3个2×4的矩阵）
tensor2 = torch.randn(3, 2, 4) 二、PyTorch 广播机制（加法 / 乘法）
核心规则：维度从后往前对齐，长度为 1 的维度可扩展至匹配另一张量的维度。
1. 加法广播
例子 1：二维张量 + 一维张量（行广播）
a = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 形状(2, 3)
b = torch.tensor([10, 20, 30]) # 形状(3,)
c = a + b # 等价于a的每一行都加上b
print(c)
# 输出：
# tensor([[11, 22, 33],
# [14, 25, 36]]) 原理：b 的形状 (3,) → 扩展为 (1, 3)，再与 a 的 (2, 3) 对齐相加。
例子 2：三维张量 + 二维张量（通道广播）
x = torch.randn(2, 3, 4) # 形状(2, 3, 4)（假设为2个样本，3通道，4×4特征图）
y = torch.randn(1, 3, 1) # 形状(1, 3, 1)（可理解为3通道的偏置，每个通道一个值）
z = x + y # y会扩展为(2, 3, 4)，每个样本的每个通道的所有元素都加上对应通道的偏置
2. 乘法广播
逻辑与加法一致，仅运算改为乘法。
例子：张量 × 标量（最简化广播）
d = torch.tensor([1, 2, 3])
e = d * 2 # 每个元素×2，输出tensor([2, 4, 6]) 三、Numpy 广播机制（与 PyTorch 基本一致）
import numpy as np
arr1 = np.array([[1, 2], [3, 4]]) # 形状(2, 2)
arr2 = np.array([10, 20]) # 形状(2,)
arr3 = arr1 * arr2 # 等价于arr1的每一行 × arr2
print(arr3)
# 输出：
# array([[10, 40],
# [30, 80]]) @浙大疏锦行