这辈子也学不会 numpy。
Python中的广播（broadcasting）是一种用于在不同形状的数组之间执行二进制操作的机制，使得它们的形状可以兼容，并且能够按照一定的规则进行元素级操作。这个机制允许你在不显式复制数据的情况下，对形状不同的数组进行操作，这可以节省内存和提高代码的效率。
广播的原理基于以下规则：
-
如果两个数组的维度不同，将维度较小的数组进行扩展，使得它的维度与较大的数组相匹配。扩展时会在维度较小的数组的前面（左侧）添加新的维度，这些维度的大小为1。
-
如果两个数组的维度相同，但某些维度的大小不同，将大小为1的维度扩展为匹配较大数组的大小。
-
如果在某个维度上两个数组的大小都不相等且不为1，那么广播将无法执行，会引发错误。
广播的目的是使得两个数组在进行元素级操作时具有兼容的形状，这样可以将相应的元素一一对应起来进行操作，而不需要显式复制数据。
np.newaxis 可以帮助你在特定位置添加大小为 \(1\) 的维度。
如果要给一个训练集一个测试集求 \(L_2\) 距离，不允许使用任何 for loop。它的写法是 dists=np.sqrt(np.sum((X[:,np.newaxis]-X_train)**2,axis=2))
原理就是先把原来大小为 \([N,picture\_size]\) 的图片添加维度变成 \([N,1,picture\_size]\) 。这下子来发广播，广播的时候大小为 \([M,picture\_size]\) 的 X_train 首先在左边添加一维，大小变成 \([1,M,picture_size]\)
接下来根据广播的原理 \([N,1],[1,M]\) 统一变成 \([N,M]\)，然后就可以对位操作了。完全无法深入理解如何广播，都说广播比 for loop 快，我不会广播只能写出来不能利用并行计算的废物代码了。