MindSpore中张量的属性和运算

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，下面介绍其中几种操作，张量运算和NumPy的使用方式类似。

1. 标准的类似NumPy的索引和切片：

   tensor = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))

   print("First row: {}".format(tensor[0]))

   print("First column: {}".format(tensor[:, 0]))

   print("Last column: {}".format(tensor[..., -1]))

2. 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))

   op = ops.Concat()

   output = op((data1, data2))

   print(output)

3. 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))

   op = ops.Stack()

   output = op([data1, data2])

   print(output)

4. 普通运算：

   input_x = Tensor(np.array([1.0, 2.0, 3.0]), mstype.float32)

   input_y = Tensor(np.array([4.0, 5.0, 6.0]), mstype.float32)

   mul = ops.Mul()

   output = mul(input_x, input_y)

   print(output)