《昇思 25 天学习打卡营第 3 天 | 张量 Tensor 》

《昇思 25 天学习打卡营第 3 天 | 张量 Tensor 》

活动地址：https://xihe.mindspore.cn/events/mindspore-training-camp
签名：Sam9029

---

感觉像是在 学习高数一样

张量 Tensor

• 张量是一种特殊的数据结构，与数组和矩阵非常相似。

  • 张量（Tensor）是 MindSpore 网络运算中的基本数据结构
  • 应该类似于 字符串 或 整型 在 C 语言中一样吧，基本数据结构

引入张量（直接从 mindscope 模块中引入）

import mindspore
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

data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)## [1 0 1 0] (4,) Int64

• 从 NumPy 数组生成
• 使用 init 初始化器构造张量
• 继承另一个张量的属性，形成新的张量

张量的属性

- 不用多说，属于张量的基本术语，记住

x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)# 形状（shape）：Tensor的shape，是一个tuple。
print("x_shape:", x.shape)# 数据类型（dtype）：Tensor的dtype，是MindSpore的一个数据类型。
print("x_dtype:", x.dtype)# 单个元素大小（itemsize）： Tensor中每一个元素占用字节数，是一个整数。
print("x_itemsize:", x.itemsize)# 占用字节数量（nbytes）： Tensor占用的总字节数，是一个整数。
print("x_nbytes:", x.nbytes)# 维数（ndim）： Tensor的秩，也就是len(tensor.shape)，是一个整数。
print("x_ndim:", x.ndim)# 元素个数（size）： Tensor中所有元素的个数，是一个整数。
print("x_size:", x.size)# 每一维步长（strides）： Tensor每一维所需要的字节数，是一个tuple。
print("x_strides:", x.strides)# x_shape: (2, 2)
# x_dtype: Int32
# x_itemsize: 4
# x_nbytes: 16
# x_ndim: 2
# x_size: 4
# x_strides: (8, 4)

张量索引

- 略过

张量运算

- 运算很好理解，类比四则
- 张量运算 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
- 可以看到，张量包括了算术运行，但是作为 mindscope 的基本数据结构，也有更高级的运算概念，如：线性代数、矩阵处理

以下是一下 算术运算的例子

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 # 取模（%）
output_floordiv = y // x # 整除（//）
​
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.]

Tensor 与 NumPy 转换

- Tensor转换为NumPy 使用 Tensor.asnumpy()~~~pyt = 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.from_numpy(n)~~~pyn = 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

• MindSpore 现在已经支持最常用的 CSR 和 COO 两种稀疏数据格式。
• CSRTensor
• COOTensor

稀疏张量有点难以理解，暂时略过

---

目前初步了解一下张量Tensor吧，深入感觉必须要沉下心来学，现在时间不够，主要是建立 AI 训练深度学习模型的认知先

但是没关系，千里之行，始于足下！

我会继续一步一步的保持学习，在 昇思社区 进行 AI 技术方面的探索和学习

希望能给同样对 AI 充满热情的你一些启发。记住，技术的世界无限广阔，让我们一起勇敢地迈出探索的脚步吧！🚀🤖