深圳专业高端网站建设费用,北京网站设计入门,电工培训,优化大师优化项目有张量Tensor 张量#xff08;Tensor#xff09;基础
张量是MindSpore中的基本数据结构的一种#xff0c;类似于NumPy中数组和矩阵非常相似。它具有以下重要属性#xff1a;
形状#xff08;shape#xff09;和数据类型#xff08;dtype#xff09;#xff1a;每个张量…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), dtypemindspore.float32, initOne())
# Initialize a tensor from normal distribution
tensor2 mindspore.Tensor(shape(2, 2), dtypemindspore.float32, initNormal())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(fOnes Tensor: \n {x_ones} \n)x_zeros ops.zeros_like(x_data)
print(fZeros 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shapeTensor的shape是一个tuple。 数据类型dtypeTensor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), axis0)
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(ft: {t}, type(t))
n t.asnumpy()
print(fn: {n}, type(n))t: [1. 1. 1. 1. 1.] class ‘mindspore.common.tensor.Tensor’ n: [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, outn)
print(fn: {n}, type(n))
print(ft: {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。
