张量(Tensor)
MindSpore网络运算中的基本数据结构
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
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)。
1.创建张量
构造张量时,支持传入Tensor
、float
、int
、bool
、tuple
、list
和numpy.ndarray
类型
1.1根据数据直接生成
data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)
1.2从NumPy数组生成
np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)
1.3使用init初始化器构造张量
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。
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)
1.4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")
2.张量的属性
7个:
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)
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)
3.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。
4.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
stack则是从另一个维度上将两个张量合并起来。
5.Tensor与NumPy转换
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。
t = Tensor([1., 1., 1., 1., 1.])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))
NumPy转换为Tensor
使用Tensor()
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))
6.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
。
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
。
训练结果
打卡结束~~~~