《昇思25天学习打卡营第2天|Tensor》

CCTVZHENG

于 2024-06-25 23:23:15 发布

阅读量793

点赞数 23

文章标签：学习

本文链接：https://blog.csdn.net/CCTVZHENG/article/details/139970769

版权

一、什么是Tensor

张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛𝑛 维空间内，有 𝑛𝑟𝑛𝑟 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。𝑟𝑟 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。

张量是一种特殊的数据结构，与数组和矩阵非常相似。张量（Tensor）是MindSpore网络运算中的基本数据结构，今天主要学习张量和稀疏张量的属性及用法。

二、我的开发环境

我使用的是Jupyter云上开发：云上开发环境，无需配置环境，既可灵活调试运行代码。注意一个用户只能启动一个jupyter实例，且2个小时后会自动释放资源，到期时间前请及时将资源下载到本地。

我的实验环境已经预装了mindspore,如果大家的环境没有安装可以参考以下命令：

pip uninstall mindspore -y //安装mindspore
pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14 //这个是更改版本命令

接下来导入依赖：

import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

三、创建Tensor

张量的创建方式有多种，构造张量时，支持传入Tensor、float、int、bool、tuple、list和numpy.ndarray类型。

以下是我学习的两种Tensor生成方式

1、根据数据直接生成

可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。

data = [1, 0, 1, 0]    //定义了一个名为data的数据集
x_data = Tensor(data)  //通过mindspore的Tensor包直接转换成tensor张量形式
print(x_data, x_data.shape, x_data.dtype) //打印张量、张量的维度和张量的数据类型
import time

print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'zhengzhao')

运行结果自动推断出数据类型是Int64

2、由numpy数组生成

这个方法和直接生成唯一的区别是输入的数据由数据集，变成了numpy数组。

3、使用init初始化张量

这个方法通过Tensor包直接构建张量，不用先创造标量等数据之后再进行转换。

当使用init初始化器对张量进行初始化时，支持传入的参数有init、shape、dtype。

init: 支持传入initializer的子类。如：下方示例中的 One() 和 Normal()。
shape: 支持传入 list、tuple、 int。
dtype: 支持传入mindspore.dtype。
init主要用于并行模式下的延后初始化，在正常情况下不建议使用init对参数进行初始化。

from mindspore.common.initializer import One, Normal
 
# 创建一个全是1的2×2的张量
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
# 创建一个服从正态分布的2×2的张量
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())
 
print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

运行结果：

4、继承另一个张量的属性，形成新的张量

这种构建方式非常常见，既不用把数据转换成Tensor的形式也不需要使用init初始化，直接就是继承并生成新的张量。

from mindspore import ops
 
x_ones = ops.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")
 
x_zeros = ops.zeros_like(x_data)
print(f"Zeros Tensor: \n {x_zeros} \n")

运行结果：

四、张量的属性

张量的属性包括形状、数据类型、转置张量、单个元素大小、占用字节数量、维数、元素个数和每一维步长。

形状（shape）：Tensor的shape，是一个tuple。
数据类型（dtype）：Tensor的dtype，是MindSpore的一个数据类型。
单个元素大小（itemsize）： Tensor中每一个元素占用字节数，是一个整数。
占用字节数量（nbytes）： Tensor占用的总字节数，是一个整数。
维数（ndim）： Tensor的秩，也就是len(tensor.shape)，是一个整数。
元素个数（size）： Tensor中所有元素的个数，是一个整数。
每一维步长（strides）： Tensor每一维所需要的字节数，是一个tuple。


x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)  //构建一个数据类型是int32，2×2的张量
print("x_shape:", x.shape)  //打印张量的维度
print("x_dtype:", x.dtype)  //打印张量的数据类型
print("x_itemsize:", x.itemsize)  //打印单个元素大小
print("x_nbytes:", x.nbytes)  //打印张量的字节数量
print("x_ndim:", x.ndim)  //打印张量的维数
print("x_size:", x.size)  //打印张量的元素总数
print("x_strides:", x.strides)  //打印每一维度所需的字节数

运行结果：

五、张量索引

Tensor索引与Numpy索引类似，索引从0开始编制，负索引表示按倒序编制，冒号:和 ...用于对数据进行切片。

tensor = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))

print("First row: {}".format(tensor[0]))
print("value of bottom right corner: {}".format(tensor[1, 1]))
print("Last column: {}".format(tensor[:, -1]))
print("First column: {}".format(tensor[..., 0]))

tensor[0]：索引的是张量的第一个维度(计算机的索引从0开始)也就是[0,1]

tensor[1,1]：索引的是张量的第二个维度的第二个数据也就是3

tensor[:, -1]：索引的是所有维度的第二个数据：1和3

tensor[..., 0]：索引的是所有维度的第一个数据：0和2

运行结果：

六、张量运算

张量之间有很多运算，包括算术、线性代数、矩阵处理（转置、标引、切片）、采样等，张量运算和NumPy的使用方式类似，下面介绍其中几种操作。

普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。

x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)
 
# 加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）
output_add = x + y
output_sub = x - y
output_mul = x * y
output_div = y / x
output_mod = y % x
output_floordiv = y // x
 
print("add:", output_add)
print("sub:", output_sub)
print("mul:", output_mul)
print("div:", output_div)
print("mod:", output_mod)
print("floordiv:", output_floordiv)

运行结果：

concat将给定维度上的一系列张量连接起来。

stack则是从另一个维度上将两个张量合并起来。

tensor和numpy之间可以互相转换

与张量创建相同，使用 Tensor.asnumpy() 将Tensor变量转换为NumPy变量。

使用Tensor()将NumPy变量转换为Tensor变量。

稀疏张量

稀疏张量是一种特殊张量，其中绝大部分元素的值为零。

在某些应用场景中（比如推荐系统、分子动力学、图神经网络等），数据的特征是稀疏的，若使用普通张量表征这些数据会引入大量不必要的计算、存储和通讯开销。这时就可以使用稀疏张量来表征这些数据。

MindSpore现在已经支持最常用的CSR和COO两种稀疏数据格式。

常用稀疏张量的表达形式是<indices:Tensor, values:Tensor, shape:Tensor>。其中，indices表示非零下标元素， values表示非零元素的值，shape表示的是被压缩的稀疏张量的形状。在这个结构下，我们定义了三种稀疏张量结构：CSRTensor、COOTensor和RowTensor。

CSRTensor

CSR（Compressed Sparse Row）稀疏张量格式有着高效的存储与计算的优势。其中，非零元素的值存储在values中，非零元素的位置存储在indptr（行）和indices（列）中。各参数含义如下：

indptr: 一维整数张量, 表示稀疏数据每一行的非零元素在values中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。
indices: 一维整数张量，表示稀疏张量非零元素在列中的位置, 与values长度相等，索引数据类型支持int16、int32、int64。
values: 一维张量，表示CSRTensor相对应的非零元素的值，与indices长度相等。
shape: 表示被压缩的稀疏张量的形状，数据类型为Tuple，目前仅支持二维CSRTensor。

示例：

COOTensor

COO（Coordinate Format）稀疏张量格式用来表示某一张量在给定索引上非零元素的集合，若非零元素的个数为N，被压缩的张量的维数为ndims。各参数含义如下：

indices: 二维整数张量，每行代表非零元素下标。形状：[N, ndims]，索引数据类型支持int16、int32、int64。
values: 一维张量，表示相对应的非零元素的值。形状：[N]。
shape: 表示被压缩的稀疏张量的形状，目前仅支持二维COOTensor。

示例：

今天的张量Tensor学习让我更加熟悉了张量的各种构建方法以及数据类型转换等属性，期待明天和大家一起继续学习

CCTVZHENG

关注

23
点赞
踩
16

收藏

觉得还不错? 一键收藏
0
评论
《昇思25天学习打卡营第2天|Tensor》

张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛𝑛 维空间内，有 𝑛𝑟𝑛𝑟 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。𝑟𝑟 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。张量是一种特殊的数据结构，与数组和矩阵非常相似。张量（Tensor）是MindSpore网络运算中的基本数据结构，今天主要学习张量和稀疏张量的属性及用法。
复制链接

扫一扫