《昇思25天学习打卡营第03天|张量Tensor》

张量Tensor

• 用来表示一些矢量、标量和其他张量之间的线性关系的多线性函数。
• 一种特殊的数据结构，与数组和矩阵相似。张量(Tensor)是MindSpore网络运算中的基本数据结构。

环境准备

!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

# 根据数据直接生成
data = [1, 0, 1, 0]
x_data = Tensor(data)

# 从NumPy数组生成
np_array = np.array(data)
x_np = Tensor(np_array)

#使用init初始化器构造张量
from mindspore.common.initializer import One, Normal
# 生成一个值全为1的常量数组用于初始化Tensor
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
# 生成正态分布的初始化Tensor
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())

# 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)
x_zeros = ops.zeros_like(x_data)

张量的属性

• 形状（shape）：Tensor的形状，数据类型: tuple。

• 数据类型（dtype）：data type缩写, 代指Tensor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，tuple。数据类型: tuple

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))
print("First row: {}".format(tensor[0]))
print("value of bottom right corner: {}".format(tensor[1, 1]))
print("Last column: {}".format(tensor[..., -1]))
print("First column: {}".format(tensor[:, 0]))

First row: [0. 1.] value of bottom right corner: 3.0 Last column: [1. 3.] First column: [0. 2.]

张量运算

• 普通运算 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)

output_add = x + y
output_sub = x - y
output_mul = x * y
output_div = y / x
output_mod = y % x
output_floordiv = y // x

• 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)

• Stack从另一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])

Tensor与Numpy转换

• Tensor转换为Numpy

t = Tensor([1., 1., 1., 1., 1.])
n = t.asnumpy()

Numpy转换为Tensor

n = np.ones(5)
t = Tensor.from_numpy(n)

稀疏张量

支持两种稀疏数据格式CSR和COO

CSRTensor

CSR(Compressed Sparse Row) , 非零元素的值储存在Values中，非零元素位置存储在indptr(行)和indices(列)中

• 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，索引数据类型只是int16, int32, int64。
• values: 一维张量，表示CSRTensor相对应的非零元素的值, 与indices 长度相同
• Shape: 表示被压缩的稀疏张量的形状，数据类型为Tuple

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)

COOTensor

COO(Coordinate Format) 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，被压缩的张量的维度为ndims

• 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

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)