昇思25天学习打卡营第2天|张量Tensor

简单讲讲张量，数学和物理学界以一种方式定义张量，机器学习上则是以另一种方式定义张量，这里的张量也与神经网络联系紧密，神经网络需要进行大量的数学计算，也是张量被设计出来的目的。

张量是存储输入数据的方式，还存储构成神经网络的权重和偏置。

当输入是单一图像时，大多数编程语言会称之为矩阵，这里称为二维张量。
当输入是视频时，大多数编程语言会称之为多维矩阵或多维数组，这里称为n维张量。

听起来有点无聊，大家会认为不过是换个名字，张量到底有什么用呢？
张量是设计用来利用硬件加速的优势
也能通过自动微分处理反向传播

张量也是MindSpore网络运算中的基本数据结构

# 导包
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)
print(x_data, x_data.shape, x_data.dtype)

• 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)

上面两种方式输出结果都是[1 0 1 0] (4,) Int64

• 使用init初始化器构造张量

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)

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

One是生成一个值全为1的常量数组用于初始化Tensor。
Normal是生成一个服从正态分布的随机数组用于初始化Tensor。

• 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。

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。

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.

Tensor能与NumPy相互转换

• Tensor转换为NumPy

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

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

稀疏张量是一种特殊张量，其中绝大部分元素的值为零。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，所以引入稀疏矩阵存储。

MindSpore现在已经支持最常用的CSR和COO两种稀疏数据格式。

总结

感觉张量就是另类的矩阵，会使用会看会计算就行