广播机制是为了解决两个不同尺寸之间的数组（张量）之间的计算问题而设计的一种算法机制，在numpy中就存在这种机制，而Pytorch和Tensorflow为了减少学习成本，也按照numpy的这种机制规则设计了广播机制，深入理解有助于更好地对张量进行操作
广播的基本流程本质上两个形状（shape）不同的张量之间是不能直接运算的，需要相同的形状才行。而广播就是在运算之前，将两个张量进行匹配扩充的过程。第一步，两个张量扩充成相同形状，本质上是复制扩充；第二步，两个扩充后的形状相同的向量进行运算。下图可以直观地表明这两个过程：
广播的规则 规则1如果两个数组的维度不相同，那么小维度数组的形状将会在最左边补1.
这个规则的目的是让维度数相同，同时注意是最左边补1
例如
a = np.ones([3,4,6]), b = np.ones([4,1])
这是a有三个维度，b只有两个维度，故b会在最左边扩充1个维度，直到b和a的维度数是相同的
这时 _b = np.ones([1,4,1])
如果两个数组的形状在任何一个维度上都不匹配，那么数组的形状会沿着维度为1的维度拓展以匹配另外一个数组形状。
这个规则的目标是让每一个维度上的数字相等,同时注意数字是1才能拓展
接着规则1的a和b，b进行扩充一个维度后，a的shape是[3，4，6]，b的shape是[1，4，1]，从右往左开始一位位地判断。
首先a.shape[2] = 6, b.shape[2] = 1 ，满足了1的拓展条件，直接复制最后一维到6，b.shape[2]=6
第二个判断都为4，不用拓展
第三个a.shape[0] = 3, b.shape[2] = 1，满足拓展条件，进行复制拓展
最后的a+b的本质是两个[3,4,6]shape的张量相加
如果两个数组的形状在任何一个维度上都不匹配并且没有任何一个维度等于1，那么会引发异常。
若是a.shape[1] 不等于b.shape[1]且不等于1，则基于规则2就会报错
所以不报错的条件是，对于a，b相应维度的数字，其中一个等于1或者两者相等
下面给一些a和b的shape，可以按照规则推理是否报错
报错示例[1,4,6], [2,6]
[4,2,6], [4,6]
[4,2,6], [4,2]
[6,2],[6]
[4,1,6], [4,6]
[4,2,6], [2,6]
[6,1],[6]
[3,4,5,3,7,6],[6,]
