每日基础课

一句话定义：广播机制是两个形状不同的张量在做算术运算时，系统按固定规则自动在虚拟维度上“拉伸”较小张量，在不额外复制内存的前提下完成逐元素计算。

记忆口诀：“从后往前看，要么相等要么1，缺位自动补为1”。

### 1. 生活类比 想象你在给全班同学发成绩单。 全班有 3 个小组，每组 4 个人（形状是 $3 \times 4$）。 现在老师说：“本轮测试每组所有人加 5 分”。 你不需要给每位同学单独手写一份加分纸条（显式复制），只需要在大屏幕上写“+5分”（形状是 $1$ 或 $1 \times 1$），每个人在算总分时自动应用这 5 分。广播机制就是那个“不用复印纸条、自动对齐应用”的规则。

### 2. 核心规则与公式 设张量 $A$ 的形状为 $(a_1, a_2, \dots, a_m)$，张量 $B$ 的形状为 $(b_1, b_2, \dots, b_n)$。 运算时的对齐步骤： 1. 右对齐：从最后一个维度开始往前逐一比较。 2. 比较法则：对于对齐的每一对维度 $(a_i, b_j)$： - 如果 $a_i == b_j$，合法。 - 如果其中一个是 1（或者某张量在该维度缺失），合法，该维度结果长度为 $\max(a_i, b_j)$。 - 如果既不相等也没有 1，报错（形状不匹配）。

输出张量每个维度的公式： $$c_k = \max(a_k, b_k) \quad (\text{其中缺失维度按 } 1 \text{ 参与计算})$$ - $a_k, b_k$：两张量在当前维度上的大小。 - $c_k$：运算后输出张量在当前维度上的大小。

### 3. 它解决什么问题？没有它会怎样？ - 没有广播：给特征减均值时，你必须把均值向量用代码复制成和特征图一模一样的形状，这会白白占用大量 GPU 显存。 - 有了广播：PyTorch 底层只改变步幅（Stride）为 0，不分配新显存，既快又省显存。

### 4. 在音视频与说话人日志中的真实位置 1. 音频特征均值归一化 (CMVN)： - 音频梅尔频谱特征：`(B, T, D)`（Batch, 帧数, 频带数）。 - 频带均值向量：`(B, 1, D)`。 - 两者直接相减：`(B, T, D) - (B, 1, D) -> (B, T, D)`，广播沿时间轴 $T$ 自动生效。 2. 说话人日志中的帧-说话人距离计算： - 帧表征：`(B, T, 1, D)`。 - 说话人聚类中心：`(B, 1, K, D)`。 - 两者做差算距离，自动广播成 `(B, T, K, D)`，从而一次性拿到所有帧到所有说话人的距离。

### 实现思路 1. 将 `frames` 从 `(T, D)` 扩展维度为 `(T, 1, D)`（利用 `[:, None, :]` 或 `unsqueeze(1)`）。 2. 将 `centroids` 从 `(K, D)` 扩展维度为 `(1, K, D)`（利用 `[None, :, :]` 或 `unsqueeze(0)`）。 3. 两者相减：`(T, 1, D) - (1, K, D)`，广播机制自动对齐得到差值矩阵 `(T, K, D)`。 4. 沿最后一个维度（$D$ 维）计算 L2 范数（`torch.norm`），得到 `(T, K)`。

### 完整可运行代码

import torch


def compute_frame_to_speaker_distance(
    frames: torch.Tensor, centroids: torch.Tensor
) -> torch.Tensor:
    """利用广播机制计算每帧音频到各个说话人中心的欧氏距离

    :param frames: 形状为 (T, D) 的音频帧表征
    :param centroids: 形状为 (K, D) 的说话人聚类中心
    :return: 形状为 (T, K) 的距离矩阵
    """
    # 步骤 1: 插入长度为 1 的轴，构造可广播的形状
    # frames: (T, 1, D)
    frames_expanded = frames.unsqueeze(1)
    # centroids: (1, K, D)
    centroids_expanded = centroids.unsqueeze(0)

    # 步骤 2: 广播做差，生成每帧对每个中心的向量差
    # 形状自动拉伸为: (T, K, D)
    diff = frames_expanded - centroids_expanded

    # 步骤 3: 沿特征维度 D 算 L2 范数 (欧式距离)
    # (T, K, D) -> (T, K)
    distances = torch.linalg.norm(diff, dim=-1)

    return distances


if __name__ == "__main__":
    # 设置随机种子便于复现
    torch.manual_seed(42)

    # 模拟数据：100 帧音频，特征维度 64；当前有 3 个候选说话人
    T, K, D = 100, 3, 64
    frames = torch.randn(T, D)
    centroids = torch.randn(K, D)

    # 计算距离
    dist_matrix = compute_frame_to_speaker_distance(frames, centroids)

    # 验收检查
    print(f"帧特征形状: {frames.shape}")
    print(f"说话人中心形状: {centroids.shape}")
    print(f"距离矩阵形状: {dist_matrix.shape}")

    assert dist_matrix.shape == (
        T,
        K,
    ), f"形状不符合预期，期望 ({T}, {K})，实际为 {dist_matrix.shape}"
    print("\n✅ 验收通过：利用广播成功完成无循环、零内存冗余的距离矩阵计算！")

    # 演示：找到第 0 帧最可能属于的说话人 (距离最近的说话人索引)
    nearest_speaker_idx = torch.argmin(dist_matrix[0]).item()
    print(
        f"第 0 帧与说话人 {nearest_speaker_idx} 的距离最近 (距离值: {dist_matrix[0, nearest_speaker_idx]:.4f})"
    )