张量(Tensor)是用于表示在矢量、标量和其他张量之间线性关系的多线性函数。张量在机器学习和深度学习中是基础数据结构,广泛用于表示数据和参数。本教程将详细介绍张量的定义、创建方式、属性、索引、运算以及稀疏张量。
本章关键指令和关键词参数表
指令/关键词 | 参数 | 作用 |
---|---|---|
Tensor | data, shape, dtype, init | 创建张量。 |
CSRTensor | indptr, indices, values, shape | 创建CSR稀疏张量。 |
COOTensor | indices, values, shape | 创建COO稀疏张量。 |
ops.ones_like | x | 创建一个与x形状相同的全1张量。 |
ops.zeros_like | x | 创建一个与x形状相同的全0张量。 |
本章模块介绍
库/模块 | 作用 | 示例代码 |
---|---|---|
NumPy | 用于科学计算,提供高性能多维数组和矩阵运算功能,以及大量数学函数 | import numpy as np np_array = np.array([[1, 2], [3, 4]]) print("NumPy array:\\n", np_array) |
MindSpore | 华为开发的开源深度学习框架,提供网络构建、训练、推理和部署等功能 | import mindspore |
ops模块 | 包含常用操作函数,用于神经网络中的张量计算 | from mindspore import ops add_result = ops.add(tensor, tensor) print("Add result:\\n", add_result) |
Tensor | 基本数据结构,用于表示多维数组或矩阵 | from mindspore import Tensor tensor = Tensor(np_array) print("Tensor:\\n", tensor) |
CSRTensor | 用于高效存储和操作稀疏矩阵,采用压缩稀疏行格式 | from mindspore import CSRTensor csr_tensor = CSRTensor([0, 2, 3], [0, 1, 2], [1, 2, 3], shape=(2, 3)) print("CSRTensor:\\n", csr_tensor) |
COOTensor | 用于稀疏矩阵的存储和操作,采用坐标格式 | from mindspore import COOTensor coo_tensor = COOTensor([[0, 0], [0, 1], [1, 2]], [1, 2, 3], shape=(2, 3)) print("COOTensor:\\n", coo_tensor) |
张量的定义
张量(Tensor) 是一种特殊的数据结构,与数组和矩阵非常相似。张量的**秩(阶)**表示其维度数量。例如,标量是0阶张量,矢量是1阶张量,矩阵是2阶张量。
名词 | 解释 |
---|---|
张量 | 用于表示在矢量、标量和其他张量之间的线性关系的多线性函数。其坐标在 n 维空间内,有 nr 个分量,分量在坐标变换时依照某些规则作线性变换。 |
秩 | 张量的维数。与矩阵的秩和阶无关。 |
数据类型 | MindSpore中张量的数据类型,如 mindspore.float32、mindspore.int32。 |
张量的创建方式
张量可以通过多种方式创建,包括直接传入数据、从NumPy数组生成、使用初始化器构造以及继承其他张量的属性。
创建方式 | 示例代码 |
---|---|
根据数据直接生成 | Tensor([1, 0, 1, 0]) |
从NumPy数组生成 | Tensor(np.array([1, 0, 1, 0])) |
使用init初始化器 | mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One()) |
继承另一个张量的属性 | ops.ones_like(x_data) |
直接根据数据生成张量
import numpy as np
import mindspore
from mindspore import Tensor
data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)
输出:
[1 0 1 0] (4,) Int64
从NumPy数组生成张量
np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)
输出:
[1 0 1 0] (4,) Int64
使用初始化器构造张量
from mindspore.common.initializer import One, Normal
# Initialize a tensor with ones
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
# Initialize a tensor from normal distribution
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())
print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)
输出:
tensor1:
[[1. 1.]
[1. 1.]]
tensor2:
[[-0.00063482 -0.00916224]
[ 0.01324238 -0.0171206 ]]
继承另一个张量的属性,形成新的张量
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")
输出:
Ones Tensor:
[1 1 1 1]
Zeros Tensor:
[0 0 0 0]
张量的属性
张量的属性包括形状、数据类型、单个元素大小、占用字节数量、维数、元素个数和每一维步长。
x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)
print("x_shape:", x.shape)
print("x_dtype:", x.dtype)
print("x_itemsize:", x.itemsize)
print("x_nbytes:", x.nbytes)
print("x_ndim:", x.ndim)
print("x_size:", x.size)
print("x_strides:", x.strides)
输出:
x_shape: (2, 2)
x_dtype: Int32
x_itemsize: 4
x_nbytes: 16
x_ndim: 2
x_size: 4
x_strides: (8, 4)
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]))
输出:
First row: [0. 1.]
value of bottom right corner: 3.0
Last column: [1. 3.]
First column: [0. 2.]
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。常见的运算如下:
x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)
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)
输出:
add: [5. 7. 9.]
sub: [-3. -3. -3.]
mul: [ 4. 10. 18.]
div: [4. 2.5 2. ]
mod: [0. 1. 0.]
floordiv: [4. 2. 2.]
concat操作
将给定维度上的一系列张量连接起来。
data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
output = ops.concat((data1, data2), axis=0)
print(output)
print("shape:\n", output.shape)
输出:
[[0. 1.]
[2. 3.]
[4. 5.]
[6. 7.]]
shape:
(4, 2)
stack操作
从另一个维度上将两个张量合并起来。
data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
output = ops.stack([data1, data2])
print(output)
print("shape:\n", output.shape)
输出:
[[[0. 1.]
[2. 3.]]
[[4. 5.]
[6. 7.]]]
shape:
(2, 2, 2)
Tensor与NumPy转换
Tensor可以和NumPy进行互相转换。
Tensor转换为NumPy
使用 Tensor.asnumpy() 将Tensor变量转换为NumPy变量。
t = Tensor([1., 1., 1., 1., 1.])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))
输出:
t: [1. 1. 1. 1. 1.] <class 'mindspore.common.tensor.Tensor'>
n: [1. 1. 1. 1. 1.] <class 'numpy.ndarray'>
NumPy转换为Tensor
使用 Tensor.from_numpy() 将NumPy变量转换为Tensor变量。
n = np.ones(5)
t = Tensor.from_numpy(n)
np.add(n, 1, out=n)
print(f"n: {n}", type(n))
print(f"t: {t}", type(t))
输出:
n: [2. 2. 2. 2. 2.] <class 'numpy.ndarray'>
t: [2. 2. 2. 2. 2.] <class 'mindspore.common.tensor.Tensor'>
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,使用稀疏张量可以减少计算、存储和通讯开销。
CSRTensor
CSR(Compressed Sparse Row)稀疏张量格式具有高效的存储与计算优势。
from mindspore import CSRTensor
indptr = Tensor([0, 1, 2])
indices = Tensor([0, 1])
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (2, 4)
# 创建一个CSRTensor
csr_tensor = CSRTensor(indptr, indices, values, shape)
print(csr_tensor.astype(mindspore.float64).dtype)
输出:
Float64
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。
from mindspore import COOTensor
indices = Tensor([[0, 1], [1, 2]], dtype=mindspore.int32)
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (3, 4)
# 创建一个COOTensor
coo_tensor = COOTensor(indices, values, shape)
print(coo_tensor.values)
print(coo_tensor.indices)
print(coo_tensor.shape)
print(coo_tensor.astype(mindspore.float64).dtype) # COOTensor转为float64
输出:
[1. 2.]
[[0 1]
[1 2]]
(3, 4)
Float64
总结
- NumPy用于数据预处理:NumPy数组是深度学习数据处理的重要基础。
- MindSpore框架:提供从数据处理、模型构建、训练到部署的完整解决方案。 ops模块简化计算:提供大量常用操作,简化复杂的张量计算。
- 多种张量结构:支持Tensor、CSRTensor、COOTensor,适用于不同类型的数据存储和操作需求。