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)