张量 Tensor
张量(Tensor)是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在𝑛𝑛维空间内,有𝑛𝑟𝑛𝑟个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。𝑟𝑟称为该张量的秩或阶(与矩阵的秩和阶均无关系)。
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,本教程主要介绍张量和稀疏张量的属性及用法
%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14,如需更换mindspore版本,可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14
创建张量
张量的创建方式有多种,构造张量时,支持传入、、、、、和类型。Tensor
float
int
bool
tuple
list
numpy.ndarray
-
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。
-
从NumPy数组生成
可以从NumPy数组创建张量。
-
使用init初始化器构造张量
当使用初始化器对张量进行初始化时,支持传入的参数有、、。
init
init
shape
dtype
-
shape
: 支持传入 、、 。list
tuple
int
-
dtype
: 支持传入mindspore.dtype。
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。
- 继承另一个张量的属性,形成新的张量
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):的shape,是一个tuple。
Tensor
-
数据类型(dtype):的dtype,是MindSpore的一个数据类型。
Tensor
-
单个元素大小(itemsize): 中每一个元素占用字节数,是一个整数。
Tensor
-
占用字节数量(nbytes): 占用的总字节数,是一个整数。
Tensor
-
维数(ndim): 的秩,也就是len(tensor.shape),是一个整数。
Tensor
-
元素个数(size): 中所有元素的个数,是一个整数。
Tensor
-
每一维步长(strides): 每一维所需要的字节数,是一个tuple。
Tensor
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,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(//)。
concat将给定维度上的一系列张量连接起来。
stack则是从另一个维度上将两个张量合并起来。
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。
NumPy转换为Tensor
使用将NumPy变量转换为Tensor变量。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。
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和两种稀疏数据格式。CSR
COO
常用稀疏张量的表达形式是。其中,表示非零下标元素, 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:、和。<indices:Tensor, values:Tensor, shape:Tensor>
indices
values
CSRTensor
COOTensor
RowTensor
CSR器
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中,非零元素的位置存储在(行)和(列)中。各参数含义如下:values
indptr
indices
-
indptr
: 一维整数张量, 表示稀疏数据每一行的非零元素在中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。values
-
indices
: 一维整数张量,表示稀疏张量非零元素在列中的位置, 与长度相等,索引数据类型支持int16、int32、int64。values
-
values
: 一维张量,表示相对应的非零元素的值,与长度相等。CSRTensor
indices
-
shape
: 表示被压缩的稀疏张量的形状,数据类型为,目前仅支持二维。Tuple
CSRTensor
CSRTensor
的详细文档,请参考mindspore.CSRensor。
下面给出一些CSRTensor的使用示例:
库特森特
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,被压缩的张量的维数为。各参数含义如下:N
ndims
-
indices
: 二维整数张量,每行代表非零元素下标。形状:, 索引数据类型支持int16、int32、int64。[N, ndims]
-
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
COOTensor
的详细文档,请参考mindspore.COOTensor。
下面给出一些COOTensor的使用示例:
心得:通过本章的学习我们初步了解了mindspore中的张量(tensor),并开始逐步学习,了解了一些典型的示例。