术语 broadcasting 描述numpy如何在算术运算期间处理具有不同形状的数组。
Example 1:
from numpy import array
a = array([1.0,2.0,3.0])
b = array([2.0,2.0,2.0]) # multiply element-by-element ()
a * b
>> array([ 2., 4., 6.])
Example 2 :
from numpy import array
a = array([1.0,2.0,3.0])
b = 2.0 # broadcast b to all a
a * b
>>array([ 2., 4., 6.])
我们可以将在算术运算期间被拉伸的标量b想象成具有与a相同形状的数组。 Numpy足够聪明，可以使用原始标量值，而无需实际制作副本，以便广播操作尽可能具有内存和计算效率（b是标量，而不是数组）
@Eric Duminil 在benchmarking中制作的小型another memory performance question，表明广播在速度和内存方面存在差异
但是，我引用上面链接的同一篇文章：
有些情况下广播是一个坏主意，因为它 导致内存使用效率低下，导致计算速度变慢
问题是：当广播使用不必要的大量内存并导致性能低下时？ 换句话说，我们应该在纯广播approch上使用混合广播 / python循环算法吗？