《昇思25天学习打卡营第2天|LXS》

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

• 将numpy.array类型转为张量

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

• 将张量转化为numpy

Tensor(list);
n = t.asnumpy();

• 将numpy转化为tensor

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