昇思25天学习打卡营第02天|张量 Tensor

一、什么是张量 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。

  • 张量可以被看作是一个多维数组,但它比普通的数组更加灵活和强大,因为它支持在GPU等加速硬件上执行高效的计算

  • 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  𝑛 维空间内,有  𝑛的𝑟次方个分量的一种量,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。 𝑟称为该张量的秩或阶(与矩阵的秩和阶均无关系)

学过线性代数矩阵的同学知道,矩阵其实也是向量的线性变换

环境准备:

%%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
import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

二、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、listnumpy.ndarray类型。

Tensor(张量)和numpy.ndarray(NumPy数组)是两种在数据处理、科学计算和机器学习等领域中广泛使用的数据结构,它们都以数组的形式存储数据,但在细节和应用场景上有所不同。

定义numpy.ndarray是NumPy库中的核心数据结构,它是一个多维数组对象,提供了大量的数学函数库来操作数组。 特点:
高效的存储和计算性能。 支持大量的数学函数操作。 易于进行广播(broadcasting)操作。 维度固定,但大小可变。
应用场景:主要用于科学计算、数据分析等领域。 Tensor
定义Tensor(张量)是一个多维数组或矩阵的推广,它在深度学习和神经网络中广泛使用。TensorFlow、PyTorch等深度学习框架中的Tensor不仅仅是数据容器,还包含了在GPU或TPU等硬件上加速计算的能力。
特点: 支持自动微分(用于反向传播)。 可以在GPU或TPU等硬件上加速计算。 维度和大小都可以动态变化(在某些框架中)。
提供了丰富的API来构建和训练神经网络。 应用场景:主要用于深度学习和神经网络。

1、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)

输出:

[1 0 1 0] (4,) Int64
# 张量的输出为(4,)表示它是一个一维张量(向量),这个一维张量有四个元素

张量的shape属性描述了张量的维度和每个维度的大小。简单来说,它告诉了我们这个张量有多少行、多少列(对于二维张量),或者更高维度的“尺寸”

  • 二维张量(矩阵),它的shape属性可能会是(m, n),其中m是行数,n是列数
    一个形状为(3, 4)的二维张量意味着这个张量有3行4列。
  • 对于更高维度的张量,shape属性会继续增加维度。例如,一个三维张量的shape可能是(a, b, c),其中a、b、c分别代表三个维度的大小。
    一个形状为(2, 3, 4)的三维张量意味着这个张量有2个二维数组(或称为矩阵),每个矩阵有3行4列。第一个维度代表层数,这个张量是由几个二维数组堆叠的;第二个维度表示二维数组的行数;第三个维度表示每行有几个元素
    在深度学习中,这样的三维张量经常用于表示图像数据(特别是当处理批量图像时)
    其中:
    1. 第一个维度(2)可以代表批量大小(batch size),即一次性处理2张图像。
    2. 第二个和第三个维度(3和4)可以代表图像的高度和宽度(或者反过来,取决于数据的具体排列方式)。如果考虑到颜色通道,那么可能还会有第四个维度来表示颜色通道数(例如,对于RGB图像,这个维度的大小为3)。
data2 = [[1,0], [1,0]]
x_data2 = Tensor(data2)
print(x_data2, x_data2.shape, x_data2.dtype)

输出:

[[1 0][1 0]] (2, 2) Int64# 可以看出 此时的二维张量的shape属性为(2,2) 代表它是两行两列的矩阵
data3 = [[[1,0,1,0], [1,0,1,0],[1,0,1,0]],[[1,0,1,0], [1,0,1,0],[1,0,1,0]]]
x_data3 = Tensor(data3)
print(x_data3, x_data3.shape, x_data3.dtype)

输出:

[[[1 0 1 0][1 0 1 0][1 0 1 0]][[1 0 1 0][1 0 1 0][1 0 1 0]]] (2, 3, 4) Int64# 这是一个有两个三行四列的矩阵组成的三维张量

用下图做对比会更直观
在这里插入图片描述

接下来看一下其他的张量创建方式,不要忘记张量(Tensor)支持哪些数据类型哦,可以上划文章重温一下张量支持的数据类型在这里插入图片描述

2、从NumPy数组生成

可以从NumPy数组创建张量

# data为上面的data数组 [1, 0, 1, 0]
np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)

输出:

[1 0 1 0] (4,) Int64

3、使用init初始化器构造张量

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。

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initshapedtype

  1. init: 支持传入initializer的子类。如:下方示例中的 One() 和 Normal()。

  2. shape: 支持传入 list、tuple、 int。

  3. dtype: 支持传入mindspore.dtype。

from mindspore.common.initializer import One, Normal

# Initialize a tensor with ones   
# init=One() 生成一个值全为1的常量数组用于初始化Tensor。
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
# Initialize a tensor from normal distribution
# init=Normal() 生成一个服从正态分布的随机数组用于初始化Tensor
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

输出:

tensor1:[[1. 1.][1. 1.]]
tensor2:[[ 0.00225669 -0.00495323][ 0.00214255  0.00696278]]

4、继承另一个张量的属性,形成新的张量

from mindspore import ops
# 使用ops.ones_like创建与x_data形状相同的全1张量
x_ones = ops.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")
# 使用ops.zeros_like创建与x_data形状相同的全0张量  
x_zeros = ops.zeros_like(x_data)
print(f"Zeros Tensor: \n {x_zeros} \n")

输出:

Ones Tensor: [1 1 1 1] Zeros Tensor: [0 0 0 0] 

三、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):Tensor的shape,是一个tuple。

  • 数据类型(dtype):Tensor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。

# 从NumPy数组创建张量
x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)# 最难理解的shape属性我们上面已经解释过啦
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)

输出:

x_shape: (2, 2)
x_dtype: Int32
x_itemsize: 4
x_nbytes: 16
x_ndim: 2
x_size: 4
x_strides: (8, 4)

四、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:...用于对数据进行切片。

# 从NumPy数组创建 两行两列的二维张量  数据类型为float32类型的
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]))print("First row: {}".format(tensor[0,:]))

输出:

# 结合下面的图片看输出结果 # tensor 中第一个参数代表行 索引从0开始 tensor[0]即为第0行
First row: [0. 1.]# tensor 中第一个参数代表行,第二个参数代表列 指定行列索引号可以确定一个元素tensor[1, 1]
value of bottom right corner: 3.0# tensor[:, -1] 和tensor[..., 0]展示了负索引和数据分片的效果 : 和 ... 是同样的作用 
# tensor[:, -1] 取负索引为 -1的列
# tensor[..., 0] 取索引为 0的列
Last column: [1. 3.]
First column: [0. 2.]# tensor[0,:] 取第0行
First row: [0. 1.]

在这里插入图片描述

五、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 // xprint("add:", output_add)
print("sub:", output_sub)
print("mul:", output_mul)
print("div:", output_div)
print("mod:", output_mod)
print("floordiv:", output_floordiv)

输出:

# 两个张量对应位置的元素进行运算
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), axis=0)print(output)
print("shape:\n", output.shape)

输出:

[[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)

输出:

[
[[0. 1.][2. 3.]][[4. 5.][6. 7.]]]# shape的结果说明,该张量由两个二维张量堆叠,二维张量为两行两列
shape:(2, 2, 2)

ps: 还不明白的话,去上面看张量的定义第一小节在这里插入图片描述

六、Tensor与NumPy转换

Tensor可以和NumPy进行互相转换。

6.1 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))

输出:

t: [1. 1. 1. 1. 1.] <class 'mindspore.common.tensor.Tensor'>
n: [1. 1. 1. 1. 1.] <class 'numpy.ndarray'>

6.2 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))

输出:

n: [2. 2. 2. 2. 2.] <class 'numpy.ndarray'>
t: [2. 2. 2. 2. 2.] <class 'mindspore.common.tensor.Tensor'>

七、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CSRCOO两种稀疏数据格式。

常用稀疏张量的表达形式是<indices:Tensor, values:Tensor, shape:Tensor>。其中,indices表示非零下标元素, values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:CSRTensorCOOTensorRowTensor

7.1 CSRTensor

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values中,非零元素的位置存储在indptr(行)和indices(列)中。各参数含义如下:

  • indptr: 一维整数张量, 表示稀疏数据每一行的非零元素在values中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。indptr (Tensor) - shape为 M 的一维整数Tensor,其中M等于 shape[0] + 1 。默认值: None

  • indices: 一维整数张量,表示稀疏张量非零元素在列中的位置, 与values长度相等,索引数据类型支持int16、int32、int64。

  • values: 一维张量,表示CSRTensor相对应的非零元素的值,与indices长度相等。

  • shape: 表示被压缩的稀疏张量的形状,数据类型为Tuple,目前仅支持二维CSRTensor。

CSRTensor的详细文档,请参考mindspore.CSRTensor。

下面给出一些CSRTensor的使用示例:
# 每一行的非零元素在value 中起始位置为0 终止位置为2  形式为shape(M) M=shape(2)+1
indptr = Tensor([0, 1, 2])
# 表示非零元素在第 0 列和第 1 列
indices = Tensor([0, 1])
# 表示非零元素的值为 1 和 2
values = Tensor([1, 2], dtype=mindspore.float32)
# csr_tensor 二维张量形状为 两行四列
shape = (2, 4)# Make a CSRTensor
csr_tensor = CSRTensor(indptr, indices, values, shape)print(csr_tensor.astype(mindspore.float64).dtype)

上述代码会生成如下所示的CSRTensor:
在这里插入图片描述

输出:

Float64

7.2 COOTensor

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N,被压缩的张量的维数为ndims。各参数含义如下:

  • indices: 二维整数张量,每行代表非零元素下标。形状:[N, ndims], 索引数据类型支持int16、int32、int64。

  • 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:

# 非零元素位于 第0行第1列  和  第1行第2列
indices = Tensor([[0, 1], [1, 2]], dtype=mindspore.int32)
# 非零元素的值为 1和2
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (3, 4)# Make a COOTensor
coo_tensor = COOTensor(indices, values, shape)print(coo_tensor.values)
print(coo_tensor.indices)
print(coo_tensor.shape)
print(coo_tensor.astype(mindspore.float64).dtype)  # COOTensor to float64

上述代码会生成如下所示的COOTensor:
在这里插入图片描述
输出:

[1. 2.]
[[0 1][1 2]]
(3, 4)
Float64

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/47240.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【D3.js in Action 3 精译_015】1.3 D3 视角下的数据可视化最佳实践(下)

当前内容所在位置 第一部分 D3.js 基础知识 第一章 D3.js 简介 ✔️ 1.1 何为 D3.js&#xff1f;1.2 D3 生态系统——入门须知 1.2.1 HTML 与 DOM1.2.2 SVG - 可缩放矢量图形1.2.3 Canvas 与 WebGL1.2.4 CSS1.2.5 JavaScript1.2.6 Node 与 JavaScript 框架1.2.7 Observable 记事…

<数据集>猫狗识别数据集<目标检测>

数据集格式&#xff1a;VOCYOLO格式 图片数量&#xff1a;3686张 标注数量(xml文件个数)&#xff1a;3686 标注数量(txt文件个数)&#xff1a;3686 标注类别数&#xff1a;2 标注类别名称&#xff1a;[cat, dog] 序号类别名称图片数框数1cat118811892dog24982498 使用标…

美团看向7亿老铁的钱包,王莆中还有底牌吗?

文&#xff1a;互联网江湖 作者&#xff1a;刘致呈 7月12日&#xff0c;快手、美团宣布战略合作全面升级&#xff0c;未来三年快手美团合作范围将扩大至全国的“百城万店”。 数据上&#xff0c;过去双方的合作是有正向结果的。 美团商家在快手平台的GMV同比提升超38倍&…

FPGA CFGBVS 管脚接法

说明 新设计了1个KU040 FPGA板子&#xff0c;回来之后接上JTAG FPGA不识别。做如下检查&#xff1a; 1、电源测试点均正常&#xff1b; 2、查看贴片是否有漏焊&#xff0c;检查无异常&#xff0c;设计上NC的才NC&#xff1b; 3、反复检查JTAG接线是否异常&#xff0c;贴片是…

关于R语言单因素与多因素线性回归的平均值.

&#x1f3c6;本文收录于《CSDN问答解答》专栏&#xff0c;主要记录项目实战过程中的Bug之前因后果及提供真实有效的解决方案&#xff0c;希望能够助你一臂之力&#xff0c;帮你早日登顶实现财富自由&#x1f680;&#xff1b;同时&#xff0c;欢迎大家关注&&收藏&…

【内网穿透】打洞笔记

文章目录 前言原理阐述公网sshfrp转发服务 实现前提第一步&#xff1a;第二步第三步第四步 补充第五步&#xff08;希望隧道一直开着&#xff09;sftp传数据&#xff08;嫌云服务器上的网太慢&#xff09; 前言 租了一个云服务器&#xff0c;想用vscode的ssh远程连接&#xff…

【前端】表单密码格式—校验。

如图&#xff1a;实现表单输入密码和确认密码的时候进行表单校验。 实现方式&#xff1a; 1.在代码的data里面定义&#xff0c;函数验证的方法。如图所示,代码如下 【代码】如下&#xff1a; const validatePassword (rule, value, callback) > {if (value ) {callback(n…

南京邮电大学统计学课程实验3 用EXCEL进行方差分析 指导

一、实验描述 实验目的 1、学会在计算机上利用EXCEL进行单因素方差分析&#xff1b; 2、学会在计算机上利用EXCEL进行无重复的双因素方差分析。 二、实验环境 实验中使用以下软件和硬件设备 &#xff08;1&#xff09;Windows XP操作系统&#xff1b; &#xff08;2&am…

【启明智显分享】Model3驱动高效农业灌溉:10.1寸电阻触摸屏,RGB50pin高清接口

走出信息茧房&#xff0c;打破刻板印象&#xff0c;科技日新月异的时代&#xff0c;农业已经不再是传统意义上的“面朝黄土背朝天”。在现代农业管理中&#xff0c;科技的应用至关重要&#xff0c;一块高清触摸显示屏能够极大地提升农业劳动效率&#xff0c;实现科学的农田管理…

RTX 50系列显卡功耗信息曝光:5090型号功耗直逼500W,5060增幅显著引热议

随着NVIDIA即将推出的Blackwell RTX 50系列显卡预计在今年年底或明年年初震撼登场&#xff0c;业界对其性能提升的期待已然高涨&#xff0c;尽管AMD显卡可能难以匹敌这一飞跃。然而&#xff0c;在性能跃升的同时&#xff0c;消费者对于显卡功耗是否会进一步攀升的担忧也随之而来…

昇思25天学习打卡营第12天|Vision Transformer图像分类、SSD目标检测

Vision Transformer&#xff08;ViT&#xff09;简介 近些年&#xff0c;随着基于自注意&#xff08;Self-Attention&#xff09;结构的模型的发展&#xff0c;特别是Transformer模型的提出&#xff0c;极大地促进了自然语言处理模型的发展。由于Transformers的计算效率和可扩…

git 代理错误拒绝连接

git 克隆项目拒绝连接 现象 Failed to connect to 127.0.0.1 port 15732: 拒绝连接 问题描述 代理错误解决方法 取消代理 git config --global --unset http.proxy

Windows安装Nacos【超详细图解】

目录 一、下载 Nacos 二、解压 Nacos 三、编辑配置文件 四、创建数据库 五、启动 Nacos 六、进入控制台 一、下载 Nacos Nacos v2.3.2 官方网址 二、解压 Nacos 三、编辑配置文件 主要修改数据库用户名、密码、鉴权是否开启、key value和token # # Copyright 1999-2021 …

Template execution failed: ReferenceError: name is not defined

问题 我们使用了html-webpack-plugin&#xff08;webpack&#xff09;进行编译html&#xff0c;导致的错误。 排查结果 连接地址 html-webpack-plugin版本低(2.30.1)&#xff0c;html模板里面不能有符号&#xff0c;注释都不行 // var reg new RegExp((^|&)${name}([^&…

基于LAMMPS模拟岩石表面润湿性

润湿性是指不相混的两相流体与岩石固相表面接触时&#xff0c;其中一相流体沿着岩石表面铺开的现象&#xff0c;该相称为润湿相。润湿性一般采用接触角法来确定&#xff0c;通常根据水在固体表面的角度θ来定义系统的润湿性&#xff0c;接触角为0&#xff5e;75为水润湿&#x…

LabVIEW机器学习实现外观检测

介绍如何利用LabVIEW平台结合机器学习技术实现对被测样品的外观检测。详细说明了硬件选择、算法使用、操作步骤以及注意事项。 硬件选择 工业相机&#xff1a;高分辨率工业相机&#xff08;如Basler、FLIR等&#xff09;用于采集样品的图像。 照明设备&#xff1a;均匀的LED照…

C++ 多态:探索对象的动态行为

C 多态&#xff1a;探索对象的动态行为 在C中&#xff0c;多态性是一种强大的特性&#xff0c;它允许我们通过基类指针或引用来调用派生类的方法。多态性不仅增加了程序的灵活性&#xff0c;还使得代码更加易于扩展和维护。本文将深入探讨C中的多态性&#xff0c;包括静态多态&…

代理高并发如何去解决?

代理高并发问题的解决方法涉及多个层面&#xff0c;包括架构设计、资源优化、技术选型等方面。以下是一些具体的解决方案&#xff1a; 1. 架构设计 分布式架构&#xff1a; 微服务架构&#xff1a;将大型应用拆分为多个小型服务&#xff0c;每个服务独立部署、扩展和升级&…

沪金和伦敦金一致吗?什么因素在作怪?

沪金也就是上海金&#xff0c;是上海黄金交易所推出的一款的黄金投资理财交易品种&#xff0c;其交易特性与国际市场上的伦敦金相类似&#xff0c;二者都是采用双向式杠杆保证金交易。但它们也有不同之处&#xff0c;比如货币和重量的计价单位的差异&#xff0c;伦敦金是用美元…

汽修工厂的安全守护者!防滑耐磨劳保鞋,匠心守护你的每一步

在城市的喧嚣中&#xff0c;有这样一群匠人&#xff0c;他们手持扳手&#xff0c;脚踏油渍&#xff0c;用汗水与智慧守护着机械的脉动——他们就是汽修工人。面对飞溅的油渍、尖锐的金属部件以及不时滑动的地面&#xff0c;汽修工人们需要时刻保持警惕&#xff0c;确保工作安全…