广播与向量化运算
了解广播的工作原理、逐元素运算，以及如何通过向量化避免循环
广播与向量化运算 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
为什么要向量化
NumPy 会以 C 的速度处理整个数组。将 Python 循环替换为数组表达式，这种做法称为向量化，通常能提速 10 到 100 倍。
逐元素运算
当形状匹配时，算术运算符会逐个元素地应用。无需编写循环。
import numpy as np
a = np.array([1, 2, 3])
b = np.array([10, 20, 30])
print(a + b) # [11 22 33]
print(a * b) # [10 40 90]标量广播
数组与标量之间的运算会将该标量应用到每个元素。这个标量会在整个数组中进行“广播”。
a = np.array([1, 2, 3, 4])
print(a * 10) # [10 20 30 40]
print(a + 100) # [101 102 103 104]什么是广播
广播允许 NumPy 组合形状不同的数组：它会在逻辑上拉伸较小的数组，而不会复制内存。
广播规则
请从末尾（最右侧）维度开始比较形状。当两个维度相等，或其中一个维度为 1 时，它们是兼容的。大小为 1 的维度会拉伸以匹配另一个维度。
# (3, 4) with (4,) -> compatible (trailing 4 matches)
# (3, 4) with (3, 1) -> compatible (1 stretches to 4)
# (3, 4) with (3,) -> ERROR (trailing 4 vs 3)行向量广播
长度等于列数的一维数组会加到每一行上。
m = np.array([[1, 2, 3], [4, 5, 6]])
row = np.array([10, 20, 30])
print(m + row)
# [[11 22 33]
# [14 25 36]]列向量广播
请将向量重塑为列向量（形状为 (n,1)），这样它就会沿列方向而不是行方向进行广播。
col = np.array([[100], [200]]) # shape (2, 1)
print(m + col)
# [[101 102 103]
# [204 205 206]]数据居中（实际应用）
减去每列的 mean 可以使每个特征居中，这是常见的预处理步骤，只需一行广播代码即可完成。
data = np.array([[1.0, 10.0], [2.0, 20.0], [3.0, 30.0]])
centered = data - data.mean(axis=0)
print(centered)
# columns now have mean 0通用函数
NumPy 提供了称为通用函数的快速逐元素数学函数：np.sqrt、np.log、np.exp 等。它们支持向量化，也支持广播。
a = np.array([1.0, 4.0, 9.0, 16.0])
print(np.sqrt(a)) # [1. 2. 3. 4.]
print(np.log(a)) # natural log of each element
print(np.exp([0, 1])) # [1. 2.71828183]循环与向量化速度
同一计算经过向量化后会快得多。请使用 %timeit 在一百万个元素上感受差异。
big = np.arange(1000000, dtype=float)
# Slow Python loop:
# %timeit [x*x for x in big]
# Fast vectorized:
%timeit big * big # typically tens of times faster组合向量化
将通用函数和算术运算链接起来，可以直接表达公式。下面的计算无需循环即可得到高斯曲线。
x = np.linspace(-3, 3, 7)
y = np.exp(-x**2 / 2)
print(np.round(y, 3))快速检查
请测试您对广播的理解。
回顾
向量化要点：
- 逐元素运算无需 Python 循环，并以 C 的速度运行
- 广播会对齐末尾维度；各维度大小必须匹配或为 1
- 使用列向量 (n,1) 让数据沿列方向广播
- 通用函数：
np.sqrt、np.log、np.exp - 使用
data - data.mean(axis=0)将数据居中
常见问题解答
「广播与向量化运算」课时是免费的吗？
是的 — 「广播与向量化运算」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「广播与向量化运算」这节课中我会学到什么？
了解广播的工作原理、逐元素运算，以及如何通过向量化避免循环 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「广播与向量化运算」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。