昇思25天学习打卡营第2天 | 张量Tensor

张量Tensor

张量（Tensor）基础

张量是MindSpore中的基本数据结构的一种，类似于NumPy中数组和矩阵非常相似。它具有以下重要属性：

• 形状（shape）和数据类型（dtype）：每个张量都有确定的形状和数据类型，这决定了它在计算中的用途和行为。
• 创建方法：可以通过直接传入数据、从NumPy数组生成、使用初始化器（如One、Normal）或者从其他张量继承属性来创建张量。
• 索引和切片：类似于NumPy，张量支持方便的索引和切片操作，允许按需访问和操作数据元素。
• 运算：支持各种张量之间的数学运算，如加减乘除、取模、整除等，操作与NumPy类似。

import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

创建张量

张量的创建方式有多种，构造张量时，支持传入Tensor、float、int、bool、tuple、list和numpy.ndarray类型。

• 根据数据直接生成
  可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。

  data = [1, 0, 1, 0]
  x_data = Tensor(data)
  print(x_data, x_data.shape, x_data.dtype)
  

  代码执行结果：[1 0 1 0] (4,) Int64

• 从NumPy数组生成
  可以从NumPy数组创建张量。

  np_array = np.array(data)
  x_np = Tensor(np_array)
  print(x_np, x_np.shape, x_np.dtype)
  

  [1 0 1 0] (4,) Int64

• 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。如：下方示例中的 One() 和 Normal()。
  • shape: 支持传入 list、tuple、 int。
  • dtype: 支持传入mindspore.dtype。

  from mindspore.common.initializer import One, Normal# Initialize a tensor with ones
  tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
  # Initialize a tensor from normal distribution
  tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())print("tensor1:\n", tensor1)
  print("tensor2:\n", tensor2)
  

  tensor1:
  [[1. 1.]
  [1. 1.]]
  tensor2:
  [[-0.00063482 -0.00916224]
  [ 0.01324238 -0.0171206 ]]

• 继承另一个张量的属性，形成新的张量

  from mindspore import opsx_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")
  

  Ones Tensor:
  [1 1 1 1]
  Zeros Tensor:
  [0 0 0 0]

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)

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

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。

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)

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.]

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)

[[0. 1.] [2. 3.] [4. 5.] [6. 7.]] shape: (4, 2)

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))
output = ops.stack([data1, data2])
​
print(output)
print("shape:\n", output.shape)

[[[0. 1.] [2. 3.]]

[[4. 5.] [6. 7.]]] shape: (2, 2, 2)

Tensor与NumPy转换

Tensor可以和NumPy进行互相转换。

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))

t: [1. 1. 1. 1. 1.] <class ‘mindspore.common.tensor.Tensor’> n: [1. 1.

1. 1. 1.] <class ‘numpy.ndarray’>

NumPy转换为Tensor

使用Tensor()将NumPy变量转换为Tensor变量。

n = np.ones(5)
t = Tensor.from_numpy(n)
np.add(n, 1, out=n)
print(f"n: {n}", type(n))
print(f"t: {t}", type(t))

n: [2. 2. 2. 2. 2.] <class ‘numpy.ndarray’> t: [2. 2. 2. 2. 2.] <class
‘mindspore.common.tensor.Tensor’>

稀疏张量（Sparse Tensor）

稀疏张量是一种优化的数据结构，适用于大部分元素为零的情况，特别是在推荐系统、图神经网络等应用中有重要应用：

• CSR稀疏张量：采用压缩稀疏行（CSR）格式存储数据，通过indptr、indices和values表示非零元素的位置和值。
• COO稀疏张量：采用坐标格式（COO）存储数据，通过indices和values表示非零元素的位置和值，适合表示稀疏的多维数据。
  
  
  

通过学习MindSpore中的张量和稀疏张量，我深入了解了如何有效地管理和操作大规模数据，以及如何利用稀疏数据结构来提升计算效率和节省存储空间。