今天主要学习张量。
张量是深度学习中一种非常重要的数据结构,与数组、矩阵非常相似,可以理解为多维数组,目的是表示更高维度的数据,有n维度就叫做n维张量。
目录
一、 创建张量
创建张量有4种方式:
1. 根据数据直接生成。
2. 从Numpy数组生成。
3. 使用init初始化器构造张量。
4. 继承另一个张量的属性,形成新的张量。
创建张量前先倒入必要的依赖。
import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor
1. 根据数据直接生成:
# 根据数据直接生成
data = [1, 2, 3, 4]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)
运行结果:
[1 2 3 4] (4,) Int64
2. 从Numpy数组生成:
# 从Numpy数组生成
np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)
运行结果:
[1 2 3 4] (4,) Int64
3. 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。One()表示全1的数据。Normal()表示符合正态分布的数据。
shape:支持传入list、tuple、int。
dtype:支持传入mindspore.dtype。
注意: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。
# 使用init初始化器构造张量
from mindspore.common.initializer import One, Normal
# 用1初始化一个张量
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
# 用正态分布初始化一个张量
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())
print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)
运行结果:
tensor1: [[1. 1.] [1. 1.]] tensor2: [[0.00989597 0.00910618] [0.00417604 0.01101226]]
4. 继承另一个张量的属性,形成新的张量:
# 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)
print(f"Ones Tensor: \n {x_ones} \n")
x_zeros = ops.zeros_like(x_data)
print(f"Zeros Tensor: \n {x_zeros} \n")
运行结果:
Ones Tensor: [1 1 1 1] Zeros Tensor: [0 0 0 0]
二、 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。
x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)
print("x_shape:", x.shape)
print("x_dtype:", x.dtype)
print("x_itemsize:", x.itemsize)
print("x_nbytes:", x.nbytes)
print("x_ndim:", x.ndim)
print("x_size:", x.size)
print("x_strides:", x.strides)
运行结果: x_shape: (2, 2) x_dtype: Int32 x_itemsize: 4 x_nbytes: 16 x_ndim: 2 x_size: 4 x_strides: (8, 4)
三、 张量的索引
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]))
运行结果:
First row: [0. 1.] value of bottom right corner: 3.0 Last column: [1. 3.] First column: [0. 2.]
四、 张量的计算
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。
1. 普通算术运算有:加(+)、减(-)、乘(*)、除(/)、取模(%)、整除(//)。
# 普通算术运算有: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
print("add:", output_add)
print("sub:", output_sub)
print("mul:", output_mul)
print("div:", output_div)
print("mod:", output_mod)
print("floordiv:", output_floordiv)
运行结果:
add: [5. 7. 9.] sub: [-3. -3. -3.] mul: [ 4. 10. 18.] div: [4. 2.5 2. ] mod: [0. 1. 0.] floordiv: [4. 2. 2.]
2. 连接张量:concat将给定维度上的一系列张量连接起来。
# 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)
print(output)
print("shape:\n", output.shape)
运行结果:
[[0. 1.] [2. 3.] [4. 5.] [6. 7.]] shape: (4, 2)
3. 合并张量:stack是从另一个维度上将两个张量合并起来。
# stack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))
output = ops.stack([data1, data2])
print(output)
print("shape:\n", output.shape)
运行结果:
[[[0. 1.] [2. 3.]] [[4. 5.] [6. 7.]]] shape: (2, 2, 2)
五、 Tensor 与 Numpy 转换
1. 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。
t = Tensor([1., 1., 1., 1., 1.])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))
运行结果:
t: [1. 1. 1. 1. 1.] <class 'mindspore.common.tensor.Tensor'> n: [1. 1. 1. 1. 1.] <class 'numpy.ndarray'>
2. Numpy转换为Tensor
# 使用Tensor()将NumPy变量转换为Tensor变量。
# 定义一个全1的numpy数组
n = np.ones(5)
t = Tensor.from_numpy(n)
# 数组中每个元素加1
np.add(n, 1, out=n)
print(f"n: {n}", type(n))
print(f"t: {t}", type(t))
运行结果:
n: [2. 2. 2. 2. 2.] <class 'numpy.ndarray'> t: [2. 2. 2. 2. 2.] <class 'mindspore.common.tensor.Tensor'>
六、 稀疏张量
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。
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、COOTensor和RowTensor。
1. 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。
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)
print(csr_tensor.astype(mindspore.float64).dtype)
运行结果:
Float64
上述代码会生成如下所示的CSRTensor:
2. 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
。
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)
运行结果:
[1. 2.] [[0 1] [1 2]] (3, 4) Float64
上述代码会生成如下所示的CSRTensor: