张量 Tensor

在线运行 下载Notebook 下载样例代码  查看源文件

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  \(n^{r}\) 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）。

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，本章主要介绍张量和稀疏张量的属性及用法。

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。

[1]:

from mindspore import Tensor

x = Tensor(0.1)

  • 从NumPy数组生成

可以从NumPy数组创建张量。

[2]:

import numpy as np

arr = np.array([1, 0, 1, 0])
tensor_arr = Tensor(arr)

print(type(arr))
print(type(tensor_arr))

<class 'numpy.ndarray'>
<class 'mindspore.common.tensor.Tensor'>

初始值的类型是numpy.ndarray，则生成的Tensor数据类型与之对应。

  • 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。

[3]:

from mindspore import Tensor
from mindspore import set_seed
from mindspore import dtype as mstype
from mindspore.common.initializer import One, Normal

set_seed(1)

tensor1 = Tensor(shape=(2, 2), dtype=mstype.float32, init=One())
# 生成一个服从正态分布 N(0.01,0.0) 的随机数组用于初始化tensor2
tensor2 = Tensor(shape=(2, 2), dtype=mstype.float32, init=Normal())

print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

tensor1:
 [[1. 1.]
 [1. 1.]]
tensor2:
 [[-0.00128023 -0.01392901]
 [ 0.0130886  -0.00107818]]

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。

  • 继承另一个张量的属性，形成新的张量

[4]:

from mindspore import ops

oneslike = ops.OnesLike()
x = Tensor(np.array([[0, 1], [2, 1]]).astype(np.int32))
output = oneslike(x)

print(output)
print("input shape:", x.shape)
print("output shape:", output.shape)

[[1 1]
 [1 1]]
input shape: (2, 2)
output shape: (2, 2)

  • 输出指定大小的恒定值张量

shape是张量的尺寸元组，确定输出的张量的维度。

[5]:

zeros = ops.Zeros()
output = zeros((2, 2), mstype.float32)
print(output)

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

Tensor初始化时，可指定dtype，如mstype.int32、mstype.float32、mstype.bool_等。

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。

  • 转置张量（T）：Tensor的转置，是一个Tensor。

  • 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。

[6]:

x = Tensor(np.array([[1, 2], [3, 4]]), mstype.int32)

print("x_shape:", x.shape)
print("x_dtype:", x.dtype)
print("x_transposed:\n", x.T)
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)

x_shape: (2, 2)
x_dtype: Int32
x_transposed:
 [[1 3]
 [2 4]]
x_itemsize: 4
x_nbytes: 16
x_ndim: 2
x_size: 4
x_strides: (8, 4)

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。

[7]:

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（//）。

[8]:

x = Tensor(np.array([1, 2, 3]), mstype.float32)
y = Tensor(np.array([4, 5, 6]), mstype.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。

[9]:

data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Concat()
output = op((data1, data2))

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。

[10]:

data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Stack()
output = op([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 asnumpy() 将Tensor变量转换为NumPy变量。

[11]:

zeros = ops.Zeros()

output = zeros((2, 2), mstype.float32)
print("output: {}".format(type(output)))

n_output = output.asnumpy()
print("n_output: {}".format(type(n_output)))

output: <class 'mindspore.common.tensor.Tensor'>
n_output: <class 'numpy.ndarray'>

NumPy转换为Tensor

使用Tensor()将NumPy变量转换为Tensor变量。

[12]:

output = np.array([1, 0, 1, 0])
print("output: {}".format(type(output)))

t_output = Tensor(output)
print("t_output: {}".format(type(t_output)))

output: <class 'numpy.ndarray'>
t_output: <class 'mindspore.common.tensor.Tensor'>

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。在这种时候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CSR和COO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CSRTensor、COOTensor和RowTensor三种稀疏张量结构。

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。其中：

  • 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, 索引数据类型仅支持int32。

  • 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，索引数据类型仅支持int32。

  • 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: 表示的是被压缩的稀疏张量的形状，数据类型为Tuple,目前仅支持2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：

[13]:

import mindspore as ms
from mindspore import Tensor, CSRTensor

indptr = Tensor([0, 1, 2])
indices = Tensor([0, 1])
values = Tensor([1, 2], dtype=ms.float32)
shape = (2, 4)

# CSRTensor的构建
csr_tensor = CSRTensor(indptr, indices, values, shape)

print(csr_tensor.astype(ms.float64).dtype)

Float64

COOTensor

COOTensor用于压缩非零元素位置分布不规则的Tensor，若非零元素的个数为N，被压缩的张量的维数为ndims，则有：

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

  • values: 一维张量，表示相对应的非零元素的值。形状：[N]。

  • shape: 表示的是被压缩的稀疏张量的形状，目前仅支持2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：

[14]:

import mindspore as ms
import mindspore.nn as nn
from mindspore import Tensor, COOTensor

indices = Tensor([[0, 1], [1, 2]], dtype=ms.int32)
values = Tensor([1, 2], dtype=ms.float32)
shape = (3, 4)

# COOTensor的构建
coo_tensor = COOTensor(indices, values, shape)

print(coo_tensor.values)
print(coo_tensor.indices)
print(coo_tensor.shape)
print(coo_tensor.astype(ms.float64).dtype)  # COOTensor转换数据类型

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

上述代码会生成如下式所示的COOTensor:

\[\begin{split}\left[ \begin{matrix} 0 & 1 & 0 & 0 \\ 0 & 0 & 2 & 0 \\ 0 & 0 & 0 & 0 \end{matrix} \right]\end{split}\]

RowTensor

RowTensor用于压缩第零个维度稀疏的张量。若RowTensor的维度为[L0, D1, D2, ..., DN ]。第零维度的非零元素个数为D0, 则有L0 >> D0。

  • indices: 一维整数张量，表示稀疏张量第零维度中非零元素的位置，形状为[D0]。

  • values: 表示相对应的非零元素的值，形状为[D0, D1, D2, ..., DN]。

  • dense_shape: 表示的是被压缩的稀疏张量的形状。

RowTensor只能在Cell的构造方法中使用。详细内容，请参考mindspore.RowTensor。代码样例如下：

[15]:

from mindspore import RowTensor
import mindspore.nn as nn

class Net(nn.Cell):
    def __init__(self, dense_shape):
        super(Net, self).__init__()
        self.dense_shape = dense_shape

    def construct(self, indices, values):
        x = RowTensor(indices, values, self.dense_shape)
        return x.values, x.indices, x.dense_shape

indices = Tensor([0])
values = Tensor([[1, 2]], dtype=mstype.float32)
out = Net((3, 2))(indices, values)

print("non-zero values:", out[0])
print("non-zero indices:", out[1])
print("shape:", out[2])

non-zero values: [[1. 2.]]
non-zero indices: [0]
shape: (3, 2)