TensorFlow基本操作5-Broadcasting
重点函数
数据复制：
tf.tile(x, multiples)
8 Broadcasting vs 数据复制
一、不需要人为 1.扩充维度， 2.复制填充数据。
二、节省空间。
数据复制：
通过 tf.tile(x, multiples) 函数完成数据在指定维度上的复制操作，multiples 分别指定了每个维度上面的复制倍数，对应位置为 1 表明不复制，为 2 表明新长度为原来的长度的 2 倍，即数据复制一份，以此类推。
Broadcasting：
Broadcasting 也叫广播机制(自动扩展也许更合适)，它是一种轻量级张量复制的手段，在逻辑上扩展张量数据的形状，但是只要在需要时才会执行实际存储复制操作。对于大部分场景，Broadcasting 机制都能通过优化手段避免实际复制数据而完成逻辑运算，从而相对于 tf.tile() 函数，减少了大量计算代价。
Broadcasting 机制的核心思想是普适性，即同一份数据能普遍适合于其他位置。在验证普适性之前，需要将张量 shape 靠右对齐，然后进行普适性判断：对于长度为 1 的维度，默认这个数据普遍适合于当前维度的其他位置；对于不存在的维度，则在增加新维度后默认当前数据也是普适性于新维度的，从而可以扩展为更多维度数、其他长度的张量形状。
Broadcasting 作为优化手段，系统会根据数据自动匹配（隐式）。
通过 tf.broadcast_to(x, new_shape) 可以显式将现有 shape 扩张为 new_shape。
