每日基础课

一句话定义 广播机制，就是当两个形状不同的张量做数学运算时，系统在不拷贝内存的前提下，自动把长度为 1 的维度拉伸对齐的规则。

生活类比 想象一个班级有 3 个小组，每组 4 个人，成绩单形状是 `(3, 4)`。 老师想给每个小组加分，写了一张纸条：“第 1 组加 2 分，第 2 组加 5 分，第 3 组加 1 分”，这张纸条的形状是 `(3, 1)`。 老师不需要把纸条复印 4 份塞给每个人（不占新内存）。每组组长看一眼纸条，组内 4 个同学都共享这同一个加分项。这就是广播：逻辑上拉伸，物理上不复制。

核心公式与符号 假设张量 $A$ 的形状为 $(a_1, a_2, \dots, a_k)$，张量 $B$ 的形状为 $(b_1, b_2, \dots, b_k)$。 逐元素运算 $C = A \odot B$ 能成功的充要条件是：从最右边的末尾维度开始向前对比，对每一个维度 $i$： $$a_i = b_i \quad \text{或} \quad a_i = 1 \quad \text{或} \quad b_i = 1$$ - $a_i, b_i$：对应轴上的大小（长度）。 - 若两个张量的维度总数不相等，维度较少者自动在最左侧补 1 对齐。 - 当满足上述条件时，输出张量在第 $i$ 维的大小为 $\max(a_i, b_i)$。

它解决什么问题？没有它会怎样？ 它解决了“形状不同的张量必须手动复制数据才能对齐计算”的痛点。 没有广播机制时，只要给一批特征统一加上偏置项，你就必须手动调用拷贝函数把偏置扩充到完整矩阵大小。这不仅让代码冗长难读，更会白白消耗显存和计算带宽。

在音视频与说话人日志中的真实用法 1. 音频特征均值归一化（CMVN）：提取出的梅尔频谱形状是 `(Batch, Time, Freq)`，每个样本在频率维度的均值向量形状是 `(Batch, 1, Freq)`。两者直接相减，均值自动沿时间轴 `Time` 广播，一步完成降噪预处理。 2. 说话人聚类与相似度矩阵：说话人日志需要比对 $M$ 个语音片段与 $N$ 个已有说话人中心向量的距离。将语音片段扩展为 `(M, 1, Dim)`，中心向量扩展为 `(1, N, Dim)`，两者直接相减平方，PyTorch 自动广播计算出 `(M, N, Dim)` 的差异，再沿 `Dim` 求和就是完整的成对距离矩阵。

解题思路： 1. CMVN：沿 `Time`（第 1 维）求均值，关键是加上 `keepdim=True`，得到 `(2, 1, 80)`。让原张量 `(2, 100, 80)` 减去该均值，系统自动沿着第 1 维广播。 2. 相似度矩阵：先对两个向量集做 L2 归一化。然后利用切片增加轴，将 A 变为 `(4, 1, 192)`，将 B 变为 `(1, 3, 192)`。两者相乘时，系统在第 1 维广播 A，在第 0 维广播 B，得到 `(4, 3, 192)`，最后对 `Dim` 轴求和即得到 `(4, 3)`。

import torch

def run_broadcasting_practice():
    print("=== 任务 1: 梅尔频谱时间均值归一化 (CMVN) ===")
    # 模拟音频特征: Batch=2, 时间帧=100, 频带数=80
    torch.manual_seed(42)
    mel_spec = torch.randn(2, 100, 80)
    print(f"输入 Mel 谱形状: {mel_spec.shape}")

    # 沿时间轴 (dim=1) 计算均值，保留维度以便触发广播
    mel_mean = mel_spec.mean(dim=1, keepdim=True)  # 形状: (2, 1, 80)
    print(f"时间均值形状 (keepdim=True): {mel_mean.shape}")

    # 广播相减：(2, 100, 80) - (2, 1, 80) -> (2, 100, 80)
    normalized_mel = mel_spec - mel_mean
    print(f"归一化后形状: {normalized_mel.shape}")

    # 验证：沿时间轴再求均值，结果应接近 0
    residual_mean = normalized_mel.mean(dim=1)
    assert torch.allclose(residual_mean, torch.zeros_like(residual_mean), atol=1e-6)
    print("CMVN 校验成功：时间轴均值已完全归零！\n")

    print("=== 任务 2: 说话人 Embedding 成对余弦相似度矩阵 ===")
    # 模拟两组说话人 x-vector / CAM++ 嵌入向量
    M, N, Dim = 4, 3, 192
    emb_A = torch.randn(M, Dim)  # 4 个说话人中心
    emb_B = torch.randn(N, Dim)  # 3 个待判定语音段

    # 1. 归一化为单位向量 (保持 Dim 轴)
    norm_A = emb_A / torch.norm(emb_A, p=2, dim=-1, keepdim=True)  # (4, 192)
    norm_B = emb_B / torch.norm(emb_B, p=2, dim=-1, keepdim=True)  # (3, 192)

    # 2. 变换形状引入长度为 1 的轴
    # A 变成 (4, 1, 192)
    # B 变成 (1, 3, 192)
    expanded_A = norm_A[:, None, :]  # 或者 norm_A.unsqueeze(1)
    expanded_B = norm_B[None, :, :]  # 或者 norm_B.unsqueeze(0)
    print(f"expanded_A 形状: {expanded_A.shape}")
    print(f"expanded_B 形状: {expanded_B.shape}")

    # 3. 逐元素相乘并沿特征维相加
    # 广播相乘后产生临时视图形状: (4, 3, 192)
    similarity_matrix = (expanded_A * expanded_B).sum(dim=-1)  # 结果形状: (4, 3)
    print(f"相似度矩阵形状: {similarity_matrix.shape}")

    # 验证相似度取值区间与结果正确性（与矩阵乘法对比）
    expected_matrix = torch.matmul(norm_A, norm_B.T)
    assert similarity_matrix.shape == (4, 3)
    assert (similarity_matrix >= -1.0 - 1e-5).all() and (similarity_matrix <= 1.0 + 1e-5).all()
    assert torch.allclose(similarity_matrix, expected_matrix, atol=1e-6)
    print("相似度矩阵校验成功：与标准矩阵乘法结果严格一致！")

if __name__ == "__main__":
    run_broadcasting_practice()