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, COOTensor1. 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：
1492
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
