在 NumPy 中，是否有一种 easy 方法来广播两个维度数组，例如(x,y) 和 (x,y,z)? NumPy 广播通常匹配最后一个维度的维度，因此通常的广播将不起作用（它需要第一个数组具有维度 (y,z)）。
背景：我正在处理图像，其中一些是 RGB（形状 (h,w,3)），其中一些是灰度（形状 (h,w)）。我生成形状为(h,w) 的alpha 蒙版，我想通过mask * im 将蒙版应用于图像。由于上述问题，这不起作用，所以我最终不得不做例如
mask = mask.reshape(mask.shape + (1,) * (len(im.shape) - len(mask.shape)))
这是丑陋的。代码的其他部分对向量和矩阵进行操作，这也遇到了同样的问题：尝试执行m + v 失败，其中m 的形状为(x,y)，v 的形状为(x,)。可以使用例如atleast_3d，但是我必须记住我真正想要的维度。
【问题讨论】：
很简单，您只需在较小数组的末尾添加一个单一维度即可。例如，如果 xyz_array 的形状为 (x,y,z) 而 xy_array 的形状为 (x,y)，则可以这样做
xyz_array + np.expand_dims(xy_array, xy_array.ndim)
【讨论】：
numpy 函数通常有代码块来检查尺寸，将数组重新整形为兼容的形状，所有这些都在涉及加法或乘法的核心业务之前。他们可能会重塑输出以匹配输入。所以滚动你自己的做类似的操作并没有错。
不要轻易放弃将变量3 维度旋转到维度开头的想法。这样做利用了numpy 在开始时自动添加维度的事实。
对于逐个元素的乘法，einsum 非常强大。
np.einsum('ij...,ij...->ij...',im,mask)
将处理 im 和 mask 是 2 或 3 维的任意混合的情况（假设第一个 2 始终兼容。不幸的是，这并不适用于加法或其他操作。
不久前，我用纯 Python 版本模拟了 einsum。为此，我使用了np.lib.stride_tricks.as_strided 和np.nditer。如果您想在混合和匹配维度方面发挥更大的作用，请查看这些函数。
【讨论】：
为什么不只是装饰-处理-取消装饰：
def flipflop(func):
def wrapper(a, mask):
if len(a.shape) == 3:
mask = mask[..., None]
b = func(a, mask)
return np.squeeze(b)
return wrapper
@flipflop
def f(x, mask):
return x * mask
然后
>>> N = 12
>>> gs = np.random.random((N, N))
>>> rgb = np.random.random((N, N, 3))
>>>
>>> mask = np.ones((N, N))
>>>
>>> f(gs, mask).shape
(12, 12)
>>> f(rgb, mask).shape
(12, 12, 3)
【讨论】：
如何使用转置：
(a.T + c.T).T
【讨论】：
a 和c 不会出现在问题中。这需要更多解释。
换个角度：如果你经常遇到这种模式，创建一个实用函数来强制右播可能会很有用：
def right_broadcasting(arr, target):
return arr.reshape(arr.shape + (1,) * (target.ndim - arr.ndim))
虽然如果只有两种类型的输入（已经有 3 个暗淡或只有 2 个），我认为最好使用单个 if 语句。
【讨论】：
使用 np.newaxis 进行索引会在该位置创建一个新轴。即
xyz = #some 3d array
xy = #some 2d array
xyz_sum = xyz + xy[:,:,np.newaxis]
or
xyz_sum = xyz + xy[:,:,None]
以这种方式编制索引会在此位置创建一个形状为 1、步幅为 0 的轴。
【讨论】：
1024*1024*1024 的原因。我的猜测是它试图做yz[None,:,:]+xy[:,:,None]，其中尺寸为1024。