昇思25天学习打卡营第3天|MindSpore张量

发布于:2024-07-11 ⋅ 阅读:(24) ⋅ 点赞:(0)

# 打卡

目录

# 打卡

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


import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

from mindspore.common.initializer import One, Normal

说明:本次打卡因远程notebook无法打卡,本地运行,本地安装都是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)继承另一个张量的属性

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()、单个元素大小(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))。
  • 索引特征: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类似。

ops.concat 连接指定维度的张量数据,ops.stack 合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。

class mindspore.CSRTensor(  indptr=None,  ## 行索引
                            indices=None, ## 列索引
                            values=None,  ## 非零值
                            shape=None,   ## 矩阵shape
                            csr_tensor=None 
                         )
 
"""ARGS
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。

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。

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 。

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。

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 。
"""

mindspore.CSRTensor — MindSpore master 文档

运行例子

COOTensor

此种表示方式更直接,但是目前仅仅支持二维矩阵,类定义头如下。

class mindspore.COOTensor( indices=None,  ## 非零元素在矩阵的位置
                           values=None,   ## 非零元素值
                           shape=None,    ## 矩阵shape
                           coo_tensor=None
                         )
"""ARGS
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 。

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 。

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 。

coo_tensor (COOTensor) - COOTensor对象,用来初始化新的COOTensor。默认  None 。

"""

mindspore.COOTensor — MindSpore master 文档

运行例子

RowTensor

注意,这是一个实验性API,后续可能修改或删除。

class mindspore.RowTensor(  indices=None, 
                            values=None, 
                            shape=None, 
                            row_tensor=None
                        )
"""ARGS
indices - shape为 d0 的一维整数Tensor。默认 None。

values  - shape为 (d0, d1, ..., dn) 中任意类型的Tensor。默认 None 。

shape (tuple(int)) - 包含相应稠密Tensor shape的整数元组。默认 None 。

row_tensor (RowTensor) - RowTensor对象,用来初始化新的RowTensor。默认 None 。

"""


mindspore.Tensor — MindSpore master 文档icon-default.png?t=N7T8https://www.mindspore.cn/docs/zh-CN/r2.3/api_python/mindspore/mindspore.Tensor.html