本文介绍一下tensor运算的广播机制，先来看看官方文档：
官方文档：https://pytorch.org/docs/stable/notes/broadcasting.html#broadcasting-semantics
两个tensor要支持广播，则必须满足以下条件
1， 每个tensor都最起码有1维；
2，从后往前数，两个tensor的纬度要么相等，要么其中一个是1，要么其中一个不存在；
接下来，通过示例来说明：
示例一：相同维度支持广播
x, y的维度信息相同，支持广播
示例二：0维不支持
x维度为0，不支持广播
示例三：维度为1或不存在，支持广播
从后往前数，第一维x，y都为1，相同；
第二维x为4，y为1，满足其中一个为1；
第三维x和y相同，都为3；
第四维y不存在；
满足条件，x和y支持广播
示例四：不满足条件，不支持广播
此示例x和y的倒数第三维不满足条件，x为2，y为3，所以不支持广播。
ok，现在相信大家已经明白了两个tensor要支持广播所要满足的条件。那么如果支持广播了，对于维度不一样的两个tensor运算时是怎么处理的呢？接下来就来介绍介绍。先看看官方文档：
广播tensor的运算规则， 来源：https://pytorch.org/docs/stable/notes/broadcasting.html#broadcasting-semantics
1， 首先给维度少的那个tensor填充上1（这里的1并不是填充1这个数字，而是增加维度，维度的值和原先一样），让两个tensor维度相等；
2， 运算结果的每一维大小等于两个tensor对应维度的维度大的那个。
规则也很简单，相信读者对以下示例结果不再感到困惑：
广播运算法则
有一个情况需要注意下，pytorch的运算会返回一个新值，不会更新变量，除非你把结果赋值给它：
x,y的声明
相加
x.add(y)之后会返回运算结果，但x的值不会变，除非你将结果赋值给它: x = x.add(y)
或者用pytorch提供的内部方法：
add_ method
这个操作会直接在x上边进行操作，等价与 x = x.add(y)
而上面提到的广播运算机制，其实是会改变tensor形状的，如果是就地运算且填充之后改变了x的形状，则会报错：
广播填充改变了x的形状，导致报错
这个case也需要大家注意一下。
