昇思25天学习打卡营第2天|张量Tensor

Tensor基本操作

导入相关库

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

创建张量

mindspore支持使用Tensor类从list和numpy创建张量，以及支持初始化0/1矩阵和_like创建方法。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。

PS：因为能从numpy进行转换，所以numpy的初始化矩阵方法应该都能使用，先创建numpy再转换成Tensor即可

从List创建

data = [1, 0, 1, 0]
x_data = Tensor(data)

从numpy数组创建

NumPy转换为Tensor

data = [1, 0, 1, 0]
# 方法一
x_data = Tensor(data)
# 方法二
x_data = Tensor.from_numpy(data)

Tensor转换为NumPy，与张量创建相同，使用 Tensor.asnumpy()Tensor变量转换为NumPy变量。

t = Tensor([1.0, 1.0, 1.0, 1.0, 1.0])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))

使用构造器创建

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 Normal, One

# 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)

Tips：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。

创建继承张量属性的创张量

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")

张量基本属性

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。(一个float32数字对应4个字节)

张量索引与运算

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。
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

稀疏张量

稀疏张量的定义

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。

稀疏张量创建

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：

# CSR映射格式
# 第一行:  (1,x)->val; for x in indices[indptr[0]:indptr[1]]; for val in values[indptr[0]:indptr[1]]
# 第二行: (2,x)->val; for x in indices[indptr[1]:indptr[2]]; for val in values[indptr[1]:indptr[2]]
# ……
# 第n行: (n,x)->val; for x in indices[indptr[n]:indptr[n+1]]; for val in values[indptr[n]:indptr[n+1]]
indptr = Tensor([0, 1, 2]) # 设二维数组有n行,则indptr数组的长度为(n + 1)
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)

上述代码会生成如下所示的CSRTensor:

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

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：

# COO映射格式
# indices[i] -> values[i]
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

上述代码会生成如下所示的COOTensor:

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