昇思25天学习打卡营第3天|MindSpore张量

# 打卡

目次
# 打卡
类
涉及知识点
1. 创建张量的4种方式
运行例子
2. 张量属性和索引
运行例子
3. 张量运算
运行例子
4. Tensor 与 Numpy 转换
5. 稀疏张量：CSR和COO
CSRTensor
运行例子
COOTensor
运行例子
RowTensor

---

类

1. import mindspore
2. from mindspore import ops
3. from mindspore import Tensor, CSRTensor, COOTensor
5. from mindspore.common.initializer import One, Normal

复制代码

阐明：本次打卡因长途notebook无法打卡，当地运行，当地安装都是python3.10以上的环境，安装mindspore时发现没有适配的版本，新建python3.9环境后可正常安装，算是一个版本的问题记录吧。

涉及知识点

1. 创建张量的4种方式

1）用数据支持生成；
2）从numpy数组生成；
3）用init初始化器构造（不建议使用，主要用于并行模式下的延后初始化）；
4）继续另一个张量的属性；

附： 
1）支持的数据类型有Tensor、float、int、bool、tuple、list、numpy.adarray。
3）init支持传入的参数有init, shape, dtype。shape 支持传入 list、tuple、 int。
mindspore.common.initializer — MindSpore master 文档
mindspore.dtype — MindSpore master 文档
4）例如：ops.ones_like、ops.zeros_like

运行例子

2. 张量属性和索引

• 张量属性：形状shape(tuple)、数据类型dtype(mindspore.xxx)、转置张量()、单个元素巨细(itemsize(int))、占用字节数量(nbytes(int))、维数(ndim(int),=len(tensor.shape))、元素个数(size(int))和每一维步长(strides(tuple))。
  
• 索引特性：从0开始；负索引；索引切片（ :, ..., 方式）
  
• 
  

运行例子

3. 张量运算

算数运算、线性代数、矩阵处理（转置、标引、切片）、采样等。与numpy雷同。
ops.concat 连接指定维度的张量数据，ops.stack 归并张量数据在一个新的维度上。
参考：

mindspore.ops — MindSpore master 文档
mindspore.ops.stack — MindSpore master 文档

运行例子

4. Tensor 与 Numpy 转换

转换为Numpy：mindspore.Tensor.asnumpy — MindSpore master 文档
转换为Tensor：mindspore.Tensor.from_numpy — MindSpore master 文档

5. 稀疏张量：CSR和COO

• MindSpore 支持的两种稀疏数据格式： CSR（Compressed Sparse Row） 和 COO（Coordinate Format）。
  
• 常用稀疏张量的表达形式：<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。 
  
• 三种稀疏张量结构：CSRTensor、COOTensor 和 RowTensor。
  

CSRTensor

CSR 稀疏张量格式对存储和计算友好。类定义头如下。

1. class mindspore.CSRTensor(  indptr=None,  ## 行索引
2.                             indices=None, ## 列索引
3.                             values=None,  ## 非零值
4.                             shape=None,   ## 矩阵shape
5.                             csr_tensor=None
6.                          )
8. """ARGS
9. indptr - shape为 M 的一维整数Tensor，其中 M等于 shape[0] + 1 ，表示每行非零元素的在 values 中存储的起止位置。默认 None 。支持的数据类型为int16，int32和int64。
11. indices - shape为 N 的一维整数Tensor，其中 N等于非零元素数量，表示每个元素的列索引值。默认None 。支持的数据类型为int16， int32和int64。
13. values - 一维Tensor，values的零维长度必须与indices的零维长度相等(values.shape[0] == indices.shape[0])。values用来表示索引对应的数值。默认 None 。
15. shape (tuple(int)) - shape为 ndims 的整数元组，用来指定稀疏矩阵的稠密shape。shape[0] 表示行数，因此必须和 M - 1 值相等。默认 None 。目前仅支持二维 CSRTensor。
17. csr_tensor (CSRTensor) - CSRTensor对象，用来初始化新的CSRTensor。values的特征维度需要和csr_tensor的特征维度匹配 。默认 None 。
18. """

复制代码

mindspore.CSRTensor — MindSpore master 文档
运行例子

COOTensor

此种表示方式更直接，但是现在仅仅支持二维矩阵，类定义头如下。

1. class mindspore.COOTensor( indices=None,  ## 非零元素在矩阵的位置
2.                            values=None,   ## 非零元素值
3.                            shape=None,    ## 矩阵shape
4.                            coo_tensor=None
5.                          )
6. """ARGS
7. indices - shape为 (N,dims) 的二维整数Tensor，其中N和ndims分别表示稀疏Tensor中 values 的数量和 COOTensor维度的数量。目前 ndims 只能为2。请确保indices的值在所给shape范围内。支持的数据类型为int16， int32 和 int64。默认 None 。
9. values - shape为 (N) 的一维Tensor，用来给 indices 中的每个元素提供数值。默认 None 。
11. shape (tuple(int)) - shape为 (dims) 的整数元组，用来指定稀疏矩阵的稠密shape。默认值 None 。
13. coo_tensor (COOTensor) - COOTensor对象，用来初始化新的COOTensor。默认  None 。
15. """

复制代码

mindspore.COOTensor — MindSpore master 文档
运行例子

RowTensor

注意，这是一个实行性API，后续可能修改或删除。

1. class mindspore.RowTensor(  indices=None,
2.                             values=None,
3.                             shape=None,
4.                             row_tensor=None
5.                         )
6. """ARGS
7. indices - shape为 d0 的一维整数Tensor。默认 None。
9. values  - shape为 (d0, d1, ..., dn) 中任意类型的Tensor。默认 None 。
11. shape (tuple(int)) - 包含相应稠密Tensor shape的整数元组。默认 None 。
13. row_tensor (RowTensor) - RowTensor对象，用来初始化新的RowTensor。默认 None 。
15. """

复制代码

mindspore.Tensor — MindSpore master 文档

https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/mindspore/mindspore.Tensor.html


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。