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 n n n 维空间内,有 n r n^{r} nr 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。 r r r 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。
一、创建张量
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。
- 根据数据直接生成:可以根据基本数据类型创建张量,数据类型可以设置或者通过框架自动推断。
- 从 NumPy 数组生成:可以从NumPy数组创建张量。
- 使用 init 初始化器构造张量: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
。通常来说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。init
: 支持传入initializer的子类。如 One() 和 Normal()。shape
: 支持传入list
、tuple
、int
。dtype
: 支持传入mindspore.dtype。
- 继承另一个张量的属性,形成新的张量
# 根据数据直接生成
def gen_tensor_base():
data = [1, 0, 1, 0]
x_data = Tensor(data)
show_tensor_attr(x_data)
# 从 NumPy 数组生成
def gen_tensor_numpy():
data = [1, 0, 1, 0]
np_array = np.array(data)
x_np = Tensor(np_array)
show_tensor_attr(x_np)
# 使用 init 初始化器构造张量
def gen_tensor_init():
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:")
show_tensor_attr(tensor1)
print("tensor2:")
show_tensor_attr(tensor2)
# 继承另一个张量的属性,形成新的张量
def gen_tensor_extend():
data = [1, 0, 1, 0]
x_data = Tensor(data)
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")
![](https://i-blog.csdnimg.cn/direct/a767b4f8b2f5409584d07e50fd25c33f.png)
![](https://i-blog.csdnimg.cn/direct/c65ab334949f434f96f7484d83520393.png)
二、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。
def show_tensor_attr(tensor:Tensor):
# tensor 的 形状
tensor_shape = tensor.shape
# tensor 的 数据类型
tensor_dtype = tensor.dtype
# tensor 单个元素占用的字节数
tensor_itemsize = tensor.itemsize
# tensor 占用的字节数
tensor_nbytes = tensor.nbytes
# tensor 的秩,不同于矩阵的秩,这里指的是 len(tensor.shape)
tensor_ndim = tensor.ndim
# tensor 的 元素的数量
tensor_size = tensor.size
# tensor 每一维所需要的字节数
tensor_strides = tensor.strides
for name, value in locals().items():
print(f"{name}: {value}")
print()
三、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。
def show_tensor_index():
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]))
四、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。
4.1 普通算术
普通算术运算有:加(+)、减(-)、乘(*)、除(/)、取模(%)、整除(//)。
def base_calculate():
x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)
# 加
output_add = x + y
# 减
output_sub = x - y
# 乘
output_mul = x * y
# 除
output_div = y / x
# 求余
output_mod = y % x
# 地板除
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)
4.2 张量拼接
4.2.1 concat 拼接
concat 将给定维度上的一系列张量连接起来。
def show_concat(axis=0):
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=axis)
print(output)
print(output.shape, output.dtype)
4.2.2 stack 拼接
stack 是从另一个维度上将两个张量合并起来。
def show_stack():
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)
五、Tensor与NumPy转换
Tensor 可以和 NumPy 进行互相转换。
5.1 Tensor转换为NumPy
与张量创建相同,使用 Tensor.asnumpy() 将 Tensor 变量转换为 NumPy 变量。
def tensor2numpy():
t = Tensor([1., 1., 1., 1., 1.])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))
5.2 NumPy转换为Tensor
使用 Tensor()
将 NumPy 变量转换为 Tensor 变量。
def numpy2tensor():
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))
注意: numpy 的值改变,Tensor 的值也会同步改变
六、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,mindSpore 定义了 两种稀疏张量结构:CSRTensor
和 COOTensor
(其中 RowTensor
在 1.7 版本后已经弃用)。
6.1 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
。
CSRTensor
的详细文档,请参考mindspore.CSRTensor。
def show_CSRTensor():
indptr = Tensor([0, 2, 5, 6])
indices = Tensor([0, 3, 1, 2, 4, 2])
values = Tensor([1., 2., 3., 4., 5., 6.], dtype=mindspore.float32)
shape = (3, 5)
# Make a CSRTensor
csr_tensor = CSRTensor(indptr, indices, values, shape)
print(csr_tensor.to_dense())
print(csr_tensor.astype(mindspore.float64).dtype)
其中 indptr 为 [0, 2, 5, 6],表示 indices [0, 2)为第 0 行的数据,indices [2, 5) 为第 1 行的数据,indices [5, 6) 为第 2 行的数据。例如:稠密张量第 0 行非零元素所在的列位置由 indices 中的第 [0, 2) 个元素 ( 即[0, 3] ) 给出,实际值由 values 中的第 [0, 2) 个元素( 即 [1., 2.] ) 给出;第1行非零元素所在的列位置位置由 indices 中的第 [2, 5) 个元素( 即 [1, 2, 4] )给出,实际值由 values 中的第 [2, 5) 个元素 ( 即 [3., 4., 5.] ) 给出;第 2 行非零元素所在的列位置位置由 indices 中的第 [5, 6) 个元素( 即[2] )给出,实际值由 values 中的第 [5, 6) 个元素 ( 即[6.] ) 给出;
6.2 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
。
COOTensor
的详细文档,请参考mindspore.COOTensor。
def show_COOTensor():
indices = Tensor([[0, 1], [1, 2]], dtype=mindspore.int32)
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (3, 4)
# Make a COOTensor
coo_tensor = COOTensor(indices, values, shape)
print(coo_tensor.to_dense())
print(coo_tensor.astype(mindspore.float64).dtype)
其中索引(indices)指示了每一个非零元素的位置。对一个稠密 Tensor dense 来说,它对应的 COOTensor(indices, values, shape),满足 dense[indices[i]] = values[i] 。