如何在避免除零错误的前提下，实现特征图与2D常量张量的维度匹配除法运算？

嘿，这个问题我做CV特征处理的时候也踩过坑！核心问题就是numpy的广播规则是从右往左对齐维度的，你的b张量形状是(4,3)，numpy会默认把它当成在最前面补一个维度变成(1,4,3)，这就和a的(4,3,3)维度对应不上了。不过解决起来超简单，只要给b扩展一个最后维度，让它能和a从右往左对齐就行，同时保留你原来的where条件避免除零错误。

给你两种实用的写法：

方法一：用np.expand_dims显式扩展维度 #

这种写法可读性强，适合刚接触numpy的朋友：

import numpy as np

a = np.random.rand(4, 3 ,3)
b = np.random.rand(4, 3)

# 给b在最后一个位置添加维度，形状从(4,3)变成(4,3,1)
b_expanded = np.expand_dims(b, axis=-1)
# 现在两个张量可以正常广播了，where条件也能正确过滤零值
c = np.divide(a, b_expanded, where=b_expanded > 0)

方法二：用[..., None]快速扩展维度 #

这是numpy老玩家常用的简洁写法，...代表前面所有维度，None相当于新增一个维度：

import numpy as np

a = np.random.rand(4, 3 ,3)
b = np.random.rand(4, 3)

# 一行搞定维度扩展和除法，where条件里直接用b>0也可以（因为扩展维度不改变元素值）
c = np.divide(a, b[..., None], where=b > 0)

为什么这样能行？当b变成(4,3,1)后，numpy会自动把这个长度为1的维度扩展到和a的最后一个维度（长度3）匹配，这样两个张量的每个位置元素就能正确对应做除法了，完全符合你想要的特征图每个通道都除以对应位置的2D常量的需求。

备注：内容来源于stack exchange，提问作者PuppyCat