Pytorch和numpy的广播规则有什么不同？

Question

我用手电筒做了一些实验，我发现：

• ( 5,7,3) and ( 5,7,3) -> ( 5,7,3)-相等
• (5,3,4,1) and (5,3,1,1) -> (5,3,4,1)-一个维度是1
• (5,3,4,1) and ( 3,4,1) -> (5,3,4,1)-一个dim不存在
• (5,3,4,1) and ( 3,1,1) -> (5,3,4,1)-一个dim是1，一个dim不存在
• ( 4,3,2) and (5,4,1,1) -> (5,4,3,2)
• ( 4,1) and (5,3,1,1) -> (5,3,4,1)-一个维度是1，两个维度不存在
• ( 1) and (5,3,4,2) -> (5,3,4,2)-一个dim是1，其他dim不存在
• ( ) and (5,3,4,2) -> (5,3,4,2)-标量与张量
• ( 0) and (5,3,2,1) -> (5,3,2,0)-空张量与张量
• ( 4,1) and ( 4) -> ( 4,4)-缺少的dim是1
• ( 4,2) and ( 4)->；不可广播
• ( 5,2,1) and (5,3,2,1)->；不可广播
• (5,3,2,1) and ( 5,3,2)->；不可广播

Pytorch文件中说：

Many PyTorch operations support NumPy Broadcasting Semantics.

这是否意味着Pytork遵循numpy的广播规则，它们是相同的还是我也应该尝试numpy？你知道吗

numpy的文档没有列出pytourch的具体规则。甚至pytorch的文档也不完全准确，例如，它说每个张量应该至少有一个维度，但是torch.empty(3,4) + torch.tensor(42)工作良好（标量没有维度）。你知道吗

我发现的规则是：

• 从尾部尺寸开始，尺寸必须相等，或者其中一个尺寸应为1（对于缺少的第一个尺寸，假定为1）。你知道吗
• 对于每个尺寸，结果尺寸是两个尺寸中的最大值。你知道吗
• 在位操作不允许在位张量改变形状。你知道吗

这似乎是最合理的广播方式，我不明白为什么对numpy来说会有所不同。但也许有一些特点。你知道吗

如果有人能提供证据或者至少能证明numpy和pytorch有相同的规则，那么我会很感激，因为我不必研究numpy的广播行为。你知道吗