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。Tensorfloatintbooltuplelistnumpy.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、、。initinitshapedtype

  • init： 支持传入初始化程序的子类。如：下方示例中的 One（） 和 Normal（）。

  • shape: 支持传入 、、 。listtupleint

  • 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()

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：Nndims

• 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。