昇思25天打卡学习Day2：张量Tensor

学习完成后打下你的标签

张量Tensor

强量(eno)是一个可朋来表示在—些纯量、标量和其他张里之少的该胜关系的多线生函款，这些线往关系的基本例于有内积外积、线住变被以及笛卡儿积。其坐标在nw维空间内，有/个分星的一种星，其中每个分星都是坚标的函数，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

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。

-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Normal0.
–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

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—维步长(strides) : Tensor每—维所需要的字节数，是一个tuple。

张量索引

Tensor索引与Numpy索引类似，索引从O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。

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 (//)。
stack则是从另—个维度上将两个张星合并起来。

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。

NumPy转换为Tensor

使用Tensor()将NumPy变量转换为Tensor变量。

稀疏张量

稀疏张量是—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co0 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 .cO0Tensor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—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 .

下面给出—些CSRTensor的使用示例:

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 :—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 .

下面给出—些COOTensor的使用示例:

训练结束，打上自己标签和时间

优点小小激动。