今日内容:张量及其运算
- 首先认识一下张量Tensor,不是张亮麻辣烫,我们知道有一个TensorFlow这个框架,提供了机器学习的工具和数据集。标量是一个数,如temper=273K,表示温度只有大小,标量是不需要基向量来表示方向的
- 再说矢量,矢量是既有大小又有方向的,需要两个基向量(i,j),同时用分量表示大小
- 如果要表示一个物体的三维坐标,那么需要三个基向量(i,j,k),可以用一个列向量[i,j,k]T表示该物体的坐标,而这种表示方式即为一阶张量
- 2阶张量理解为在一阶的基础上得到了3*3的表示,即(ii,ij,ik,ji,jj,jk,ki,kj,kk)共九种基向量,如果将其看做物体受力情况问题,那么每一个基向量都单独地表示了基于(i,j,k)对该点截出的三个截面对应三个方向的受力,ii与ij与ik虽然出自同一截面但是受力方向不同。
- 张量往往要结合运算所需的表示
创建张量
- 使用list直接生成,创建一个list=[1,2,3,4],直接tensor(list)就可以得到一个张量
data = [1, 0, 1, 0] //创建一个list
x_data = Tensor(data)//转化成张量类型
np_array = np.array(data) //通过list的内容生成numpyarray
x_np = Tensor(np_array)//使用tensor转化为张量
- 也可以使用mindspore特有的init初始化构造器来生成张量,这个过程可以理解为亲自做菜,而不是修改已有的菜品,需要的参数包括shape(n*m),数据类型dtype,初始化方式有全一矩阵one()和标准化normal()
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
- 此外还可以通过继承张量来生成,其实可以直接赋值获取,最好使用ops继承张量属性
张量的属性
- shape,矩阵大小
- dtype,数据类型
- size,张量内元素个数
- nidm,维数,即矩阵的秩
张量的运算
- 类似于矩阵的加减乘除求余,不赘述
- concat可以将张量连接起来,请注意只有相同维数的两个张量才能做连接,下图会连接错误,ops.contact(tensor1,tensor2,axis=0),最后一个表示连接的起始位置
张量转换
Tensor(list);
n = t.asnumpy();
t = Tensor.from_numpy(n)
稀疏张量
- 理解为稀疏矩阵,为了避免不必要的计算,使用稀疏张量来对矩阵做压缩
- CsrTensor与Cootensor两种稀疏数据格式