昇思25天学习打卡营第3天|张量Tensor

Knight_V_Schumacher

于 2024-06-26 23:28:57 发布

阅读量919

点赞数 25

分类专栏：昇思大模型文章标签：学习

本文链接：https://blog.csdn.net/sjx3161/article/details/139998034

版权

昇思大模型专栏收录该内容

25 篇文章 0 订阅

订阅专栏

昇思25天学习打卡营第3天|张量Tensor

前言
张量 Tensor
个人任务打卡（读者请忽略）
个人理解与总结

前言

非常感谢华为昇思大模型平台和CSDN邀请体验昇思大模型！从今天起，笔者将以打卡的方式，将原文搬运和个人思考结合，分享25天的学习内容与成果。为了提升文章质量和阅读体验，笔者会将思考部分放在最后，供大家探索讨论。同时也欢迎各位领取算力，免费体验昇思大模型！

张量 Tensor

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 $n$ 维空间内，有 $n^{r}$ 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。 $r$ 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，本教程主要介绍张量和稀疏张量的属性及用法。

%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

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

可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。

data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)#可以通过.shape和dtype两种属性输出数据形状和数据格式

在这里插入图片描述

从NumPy数组生成

可以从NumPy数组创建张量。

np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)

在这里插入图片描述

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())#生成一个2*2大小的单位矩阵
# Initialize a tensor from normal distribution
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())#生成一个2*2大小的矩阵，该随机数服从正态分布

print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

在这里插入图片描述
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。

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)#读取x_data=[1,0,1,0]张量的属性并继承，生成全1张量
print(f"Ones Tensor: \n {x_ones} \n")

x_zeros = ops.zeros_like(x_data)#读取x_data=[1,0,1,0]张量的属性并继承，生成全0张量
print(f"Zeros Tensor: \n {x_zeros} \n")

在这里插入图片描述

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。

x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)

print("x_shape:", x.shape)			#输出数据形状
print("x_dtype:", x.dtype)			#输出数据类型
print("x_itemsize:", x.itemsize)	#输出单个元素大小
print("x_nbytes:", x.nbytes)		#输出占用字节数量
print("x_ndim:", x.ndim)			#输出数据维数
print("x_size:", x.size)			#输出数据元素个数
print("x_strides:", x.strides)		#输出数据每一维步长

在这里插入图片描述

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))#数据为[0,1]
																#	[2,3]的矩阵
print("First row: {}".format(tensor[0]))						#输出第一行
print("value of bottom right corner: {}".format(tensor[1, 1]))	#输出右下角的元素
print("Last column: {}".format(tensor[:, -1]))					#输出最后一列
print("First column: {}".format(tensor[..., 0]))				#输出第一列

在这里插入图片描述

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。

普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。

x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)
#实现张量的加减乘除模
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)

在这里插入图片描述
concat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)#拼接张量concatenation

print(output)
print("shape:\n", output.shape)

在这里插入图片描述
stack则是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])#从另一个维度合并张量

print(output)
print("shape:\n", output.shape)

在这里插入图片描述

Tensor与NumPy转换

Tensor可以和NumPy进行互相转换。

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))

在这里插入图片描述

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))

在这里插入图片描述

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。

CSRTensor的详细文档，请参考mindspore.CSRTensor。

下面给出一些CSRTensor的使用示例：

indptr = Tensor([0, 1, 2])
indices = Tensor([0, 1])
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (2, 4)

# Make a CSRTensor
csr_tensor = CSRTensor(indptr, indices, values, shape)

print(csr_tensor.astype(mindspore.float64).dtype)

在这里插入图片描述
上述代码会生成如下所示的CSRTensor:

$\left[ \begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 2 & 0 & 0 \end{matrix} \right]$

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。

下面给出一些COOTensor的使用示例：

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.values)
print(coo_tensor.indices)
print(coo_tensor.shape)
print(coo_tensor.astype(mindspore.float64).dtype)  # COOTensor to float64

在这里插入图片描述
上述代码会生成如下所示的COOTensor:

$\left[ \begin{matrix} 0 & 1 & 0 & 0 \\ 0 & 0 & 2 & 0 \\ 0 & 0 & 0 & 0 \end{matrix} \right]$

个人任务打卡（读者请忽略）

在这里插入图片描述

个人理解与总结

本章节展示了昇思大模型对于张量和稀疏张量的用法以及实际代码。具体而言，它很好地适应了numpy中tensor相关的结构，在支持张量进行较为基础的信息输出和基本运算的同时，能够很好地实现Tensor与NumPy转换的问题，为潜在的由于数据格式不统一导致的环境bug或者代码bug问题提供了解决方案。此外，其对两种稀疏张量的支持说明，昇思大模型对深度神经网络的训练有较好的环境优化，从而避免产生过大的运行内存和存储占用。

Knight_V_Schumacher

关注

25
点赞
踩
14

收藏

觉得还不错? 一键收藏
打赏
0
评论
昇思25天学习打卡营第3天|张量Tensor

从今天起，笔者将以打卡的方式，将原文搬运和个人思考结合，分享25天的学习内容与成果。为了提升文章质量和阅读体验，笔者会将思考部分放在最后，供大家探索讨论。同时也欢迎各位领取算力，免费体验昇思大模型！本章节展示了昇思大模型对于张量和稀疏张量的用法以及实际代码。具体而言，它很好地适应了numpy中tensor相关的结构，在支持张量进行较为基础的信息输出和基本运算的同时，能够很好地实现Tensor与NumPy转换的问题，为潜在的由于数据格式不统一导致的环境bug或者代码bug问题提供了解决方案。
复制链接

扫一扫