MindSpore NumPy函数

  

概述

MindSpore NumPy工具包提供了一系列类NumPy接口。用户可以使用类NumPy语法在MindSpore上进行模型的搭建。

本样例适用于CPU、GPU和Ascend环境。

算子介绍

MindSpore Numpy具有四大功能模块：张量生成、张量操作、逻辑运算和其他常用数学运算。算子的具体相关信息可以参考NumPy接口列表。

张量生成

生成类算子用来生成和构建具有指定数值、类型和形状的数组(Tensor)。

构建数组代码示例：

import mindspore.numpy as np
import mindspore.ops as ops
input_x = np.array([1, 2, 3], np.float32)
print("input_x =", input_x)
print("type of input_x =", ops.typeof(input_x))

input_x = [1. 2. 3.]
type of input_x = Tensor[Float32]

除了使用上述方法来创建外，也可以通过以下几种方式创建。

生成具有相同元素的数组

生成具有相同元素的数组代码示例：

input_x = np.full((2, 3), 6, np.float32)
print(input_x)

[[6. 6. 6.]
 [6. 6. 6.]]

生成指定形状的全1数组，示例：

input_x = np.ones((2, 3), np.float32)
print(input_x)

[[1. 1. 1.]
 [1. 1. 1.]]

生成具有某个范围内的数值的数组

生成指定范围内的等差数组代码示例：

input_x = np.arange(0, 5, 1)
print(input_x)

[0 1 2 3 4]

生成特殊类型的数组

生成给定对角线处下方元素为1，上方元素为0的矩阵，示例：

input_x = np.tri(3, 3, 1)
print(input_x)

[[1. 1. 0.]
 [1. 1. 1.]
 [1. 1. 1.]]

生成对角线为1，其他元素为0的二维矩阵，示例：

input_x = np.eye(2, 2)
print(input_x)

[[1. 0.]
 [0. 1.]]

张量操作

变换类算子主要进行数组的维度变换，分割和拼接等。

数组维度变换

矩阵转置，代码示例：

input_x = np.arange(10).reshape(5, 2)
output = np.transpose(input_x)
print(output)

[[0 2 4 6 8]
 [1 3 5 7 9]]

交换指定轴，代码示例：

input_x = np.ones((1, 2, 3))
output = np.swapaxes(input_x, 0, 1)
print(output.shape)

(2, 1, 3)

数组分割

将输入数组平均切分为多个数组，代码示例：

input_x = np.arange(9)
output = np.split(input_x, 3)
print(output)

(Tensor(shape=[3], dtype=Int32, value= [0, 1, 2]), Tensor(shape=[3], dtype=Int32, value= [3, 4, 5]), Tensor(shape=[3], dtype=Int32, value= [6, 7, 8]))

数组拼接

将两个数组按照指定轴进行拼接，代码示例：

input_x = np.arange(0, 5)
input_y = np.arange(10, 15)
output = np.concatenate((input_x, input_y), axis=0)
print(output)

[ 0  1  2  3  4 10 11 12 13 14]

逻辑运算

逻辑计算类算子主要进行逻辑运算。

相等（equal）和小于（less）计算代码示例如下：

input_x = np.arange(0, 5)
input_y = np.arange(0, 10, 2)
output = np.equal(input_x, input_y)
print("output of equal:", output)
output = np.less(input_x, input_y)
print("output of less:", output)

output of equal: [ True False False False False]
output of less: [False  True  True  True  True]

数学运算

数学计算类算子主要进行各类数学计算： 加减乘除乘方，以及指数、对数等常见函数等。

数学计算支持类似NumPy的广播特性。

加法

以下代码实现了input_x和input_y两数组相加的操作：

input_x = np.full((3, 2), [1, 2])
input_y = np.full((3, 2), [3, 4])
output = np.add(input_x, input_y)
print(output)

[[4 6]
 [4 6]
 [4 6]]

矩阵乘法

以下代码实现了input_x和input_y两矩阵相乘的操作：

input_x = np.arange(2*3).reshape(2, 3).astype('float32')
input_y = np.arange(3*4).reshape(3, 4).astype('float32')
output = np.matmul(input_x, input_y)
print(output)

[[20. 23. 26. 29.]
 [56. 68. 80. 92.]]

求平均值

以下代码实现了求input_x所有元素的平均值的操作：

input_x = np.arange(6).astype('float32')
output = np.mean(input_x)
print(output)

2.5

指数

以下代码实现了自然常数e的input_x次方的操作：

input_x = np.arange(5).astype('float32')
output = np.exp(input_x)
print(output)

[ 1.         2.7182817  7.389056  20.085537  54.59815  ]

MindSpore Numpy与MindSpore特性结合

mindspore.numpy能够充分利用MindSpore的强大功能，实现算子的自动微分，并使用图模式加速运算，帮助用户快速构建高效的模型。同时，MindSpore还支持多种后端设备，包括Ascend、GPU和CPU等，用户可以根据自己的需求灵活设置。以下提供了几种常用方法：

• ms_function: 将代码包裹进图模式，用于提高代码运行效率。

• GradOperation: 用于自动求导。

• mindspore.context: 用于设置运行模式和后端设备等。

• mindspore.nn.Cell: 用于建立深度学习模型。

ms_function使用示例

首先，以神经网络里经常使用到的矩阵乘与矩阵加算子为例：

import mindspore.numpy as np

x = np.arange(8).reshape(2, 4).astype('float32')
w1 = np.ones((4, 8))
b1 = np.zeros((8,))
w2 = np.ones((8, 16))
b2 = np.zeros((16,))
w3 = np.ones((16, 4))
b3 = np.zeros((4,))

def forward(x, w1, b1, w2, b2, w3, b3):
    x = np.dot(x, w1) + b1
    x = np.dot(x, w2) + b2
    x = np.dot(x, w3) + b3
    return x

print(forward(x, w1, b1, w2, b2, w3, b3))

[[ 768.  768.  768.  768.]
 [2816. 2816. 2816. 2816.]]

对上述示例，我们可以借助ms_function将所有算子编译到一张静态图里以加快运行效率，示例如下：

from mindspore import ms_function

forward_compiled = ms_function(forward)
print(forward(x, w1, b1, w2, b2, w3, b3))

[[ 768.  768.  768.  768.]
 [2816. 2816. 2816. 2816.]]

目前静态图不支持在Python交互式模式下运行，并且有部分语法限制。ms_function的更多信息可参考API: ms_function。

GradOperation使用示例

GradOperation 可以实现自动求导。以下示例可以实现对上述没有用ms_function修饰的forward函数定义的计算求导。

from mindspore import ops

grad_all = ops.composite.GradOperation(get_all=True)
grad_all(forward)(x, w1, b1, w2, b2, w3, b3)

(Tensor(shape=[2, 4], dtype=Float32, value=
 [[ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02,  5.12000000e+02],
  [ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02,  5.12000000e+02]]),
 Tensor(shape=[4, 8], dtype=Float32, value=
 [[ 2.56000000e+02,  2.56000000e+02,  2.56000000e+02 ...  2.56000000e+02,  2.56000000e+02,  2.56000000e+02],
  [ 3.84000000e+02,  3.84000000e+02,  3.84000000e+02 ...  3.84000000e+02,  3.84000000e+02,  3.84000000e+02],
  [ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02 ...  5.12000000e+02,  5.12000000e+02,  5.12000000e+02]
  [ 6.40000000e+02,  6.40000000e+02,  6.40000000e+02 ...  6.40000000e+02,  6.40000000e+02,  6.40000000e+02]]),
  ...
 Tensor(shape=[4], dtype=Float32, value= [ 2.00000000e+00,  2.00000000e+00,  2.00000000e+00,  2.00000000e+00]))

如果要对ms_function修饰的forward计算求导，需要提前使用context设置运算模式为图模式，示例如下：

from mindspore import ms_function, context

context.set_context(mode=context.GRAPH_MODE)
grad_all = ops.composite.GradOperation(get_all=True)
grad_all(ms_function(forward))(x, w1, b1, w2, b2, w3, b3)

(Tensor(shape=[2, 4], dtype=Float32, value=
 [[ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02,  5.12000000e+02],
  [ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02,  5.12000000e+02]]),
 Tensor(shape=[4, 8], dtype=Float32, value=
 [[ 2.56000000e+02,  2.56000000e+02,  2.56000000e+02 ...  2.56000000e+02,  2.56000000e+02,  2.56000000e+02],
  [ 3.84000000e+02,  3.84000000e+02,  3.84000000e+02 ...  3.84000000e+02,  3.84000000e+02,  3.84000000e+02],
  [ 5.12000000e+02,  5.12000000e+02,  5.12000000e+02 ...  5.12000000e+02,  5.12000000e+02,  5.12000000e+02]
  [ 6.40000000e+02,  6.40000000e+02,  6.40000000e+02 ...  6.40000000e+02,  6.40000000e+02,  6.40000000e+02]]),
  ...
 Tensor(shape=[4], dtype=Float32, value= [ 2.00000000e+00,  2.00000000e+00,  2.00000000e+00,  2.00000000e+00]))

更多细节可参考API: GradOperation。

mindspore.context使用示例

MindSpore支持多后端运算，可以通过mindspore.context进行设置。mindspore.numpy 的多数算子可以使用图模式或者PyNative模式运行，也可以运行在CPU，CPU或者Ascend等多种后端设备上。

from mindspore import context

# Execucation in static graph mode
context.set_context(mode=context.GRAPH_MODE)

# Execucation in PyNative mode
context.set_context(mode=context.PYNATIVE_MODE)

# Execucation on CPU backend
context.set_context(device_target="CPU")

# Execucation on GPU backend
context.set_context(device_target="GPU")

# Execucation on Ascend backend
context.set_context(device_target="Ascend")
...

更多细节可参考API: mindspore.context。

mindspore.numpy使用示例

这里提供一个使用mindspore.numpy构建网络模型的示例。

mindspore.numpy 接口可以定义在nn.Cell代码块内进行网络的构建，示例如下：

import mindspore.numpy as np
from mindspore import context
from mindspore.nn import Cell

context.set_context(mode=context.GRAPH_MODE)

x = np.arange(8).reshape(2, 4).astype('float32')
w1 = np.ones((4, 8))
b1 = np.zeros((8,))
w2 = np.ones((8, 16))
b2 = np.zeros((16,))
w3 = np.ones((16, 4))
b3 = np.zeros((4,))

class NeuralNetwork(Cell):
    def __init__(self):
        super(NeuralNetwork, self).__init__()

    def construct(self, x, w1, b1, w2, b2, w3, b3):
        x = np.dot(x, w1) + b1
        x = np.dot(x, w2) + b2
        x = np.dot(x, w3) + b3
        return x

net = NeuralNetwork()

print(net(x, w1, b1, w2, b2, w3, b3))

[[ 768.  768.  768.  768.]
 [2816. 2816. 2816. 2816.]]

更多构建网络的细节可以参考MindSpore训练指导。