欢迎回到MindSpore神经网络编程系列。在这篇文章中，我们将通过MindSpore的Tensor，讲解一些比较实用的API。废话不多说，我们开始吧。
一、Tensor是什么
Tensor是MindSpore中的一种存储数据的类型，像Pytorch中都存在这种数据类型，它的意思是张量意为多维矩阵，对于不同的维度张量给出解释：
- 0维张量：就是单纯一个数字，就是标量，例如1
- 1维张量：是一组向量，例如 [ 1 , 2 , 3 , 4 , 5 ] [1,2,3,4,5][1,2,3,4,5]
- 2维张量：就是我们经常使用的矩阵，用于表示数据的特征
- 3维张量：一般的图像就是三维张量，每个维度分别代表高、宽、色彩通道，即RGB
- 4维张量：一般视频较为常用，在图片的基础上添加一个时间轴，多了一个时间的维度
我们常见的张量就是这些。
至于为什么叫张量，它的起源是物理方面，众所周知，物理量在不同坐标系下的分量是不同的，而张量给出了物理量各分量在坐标变换时的变换规律。这意味着无论坐标系怎么改变，我们都能正确地描述该物理量，这就是引入张量的必要性。（据《物理学中的张量分析》，刘连寿）
二、构造张量
对于MindSpore中的张量，我们可以传入多种数据类型进行初始化，比如int、float、list、tuple、numpy数据类型等，同时在初始化的过程中，我们可以指定张量的数据类型，例如 mindspore.float64等，如果我们初始没有进行指出，则会默认与传入的数据类型相同转换成mindspore中与之对应的数据类型。
代码样例如下：
x=Tensor(np.array([1,2,3]),ms.float64) >>>Tensor(shape=[3], dtype=Float64, value= [1.00000000e+000, 2.00000000e+000, 3.00000000e+000]) Tensor([1,2,3]) >>>Tensor(shape=[3], dtype=Int32, value= [1, 2, 3])
在mindspore中，一般整数默认为Int32，浮点数默认为Float64
三、Tensor的运算、属性、方法
1.运算
张量的运算与numpy的运算几乎是一样的，都是多维矩阵之间的操作，而且大多数函数也是一样的，像Tensor中的运算中主要有两类：算数运算、逻辑运算。
- 算数运算：加、减法、乘、除、取模、取幂、取整等
- 逻辑运算：等于、大于、小于等
代码样例如下：
a=Tensor(np.array([1,2,3])) b=Tensor(np.array([2,2,4])) print(a+b) print(a*b) print(a//b) >>>[3 4 7] >>>[ 2 4 12] >>>[0 1 0] print(a==b) print(a!=b) print(a>b) >>>[False True False] >>>[ True False True] >>>[False False False]
2.属性
对于Tensor存在很多个属性，比如shape、dtype、T、size、ndim、strides、itemsize、nbytes等
- shape：返回张量的形状
- dtype：返回张量的数据类型
- T：返回张量的转置
- size：返回张量中的元素个数
- ndim：返回张量的形状的维度，也就是这个张量有多少个维度，返回多少，例如RGB图像则返回3，因为图像有3个维度
- strides：步长，即每个维度的字节数
- itemsize：张量中单个元素的字节数
- nbytes：返回整个张量的所有字节数
代码样例如下：
x=Tensor(np.array([[1,2,3],[4,5,6]])) print('shape:',x.shape) print('dtype:',x.dtype) print('T:',x.T) print('itemsize:',x.itemsize) print('nbytes:',x.nbytes) print('ndim:',x.ndim) print('strides:',x.strides) >>>shape: (2, 3) >>>dtype: Int32 >>>T: [[1 4] [2 5] [3 6]] >>>itemsize: 4 >>>nbytes: 24 >>>ndim: 2 >>>strides: (12, 4)
3.方法
对于张量的方法其实有很多，我们下面只将一些较为常用的方法
- 算数函数：abs、std、mean、var等
这里需要注意，我们使用这些运算函数时，要将tensor的数据类型转化为浮点类型，如果为整型，现版本会报错
x=Tensor(np.array([[1,2,3],[4,5,6]])).astype(ms.float64) print(x.abs()) print(x.mean()) print(x.std()) >>>[[1. 2. 3.] [4. 5. 6.]] >>>3.5 >>>1.7078251838684082
- argmax：指定维度，返回指定维度的最大值所在的索引，选取最小值同理，使用argmin
x=Tensor(np.arange(0,6).reshape(2,3)) print(x) print(x.argmax()) print(x.argmax(axis=0)) # 每列的最大值索引 print(x.argmax(axis=1)) # 每行的最大值索引 >>>[[0 1 2] [3 4 5]] >>>5 >>>[1 1 1] >>>[2 2]
- asnumpy：将我们的张量数据转换为numpy数据类型
x=Tensor(np.array([1,2,3])).asnumpy() print(x) >>>[1 2 3]
- copy：返回张量的副本
x=Tensor(np.array([1,2,3])) print(x.copy()) >>>[1 2 3]
- cumsum:按照指定维度进行累积求和，尤其对于时间这类数据较为有用
x=Tensor(np.ones((3,3))) print(x) print(x.cumsum()) print(x.cumsum(axis=0)) print(x.cumsum(axis=1)) >>>[[1. 1. 1.] [1. 1. 1.] [1. 1. 1.]] >>>[1. 2. 3. 4. 5. 6. 7. 8. 9.] >>>[[1. 1. 1.] [2. 2. 2.] [3. 3. 3.]] >>>[[1. 2. 3.] [1. 2. 3.] [1. 2. 3.]]
- diagonal：返回张量的主对角线数据
x=Tensor(np.array([[0,1],[2,3]])) print(x.diagonal()) >>>[0 3]
- fill：将张量按照给定值进行填充
x=Tensor(np.array([[0,1],[2,3]])) print(x.fill(999)) >>>[[999 999] [999 999]]
- flatten：将我们的张量展开成一个一维向量
x=Tensor(np.array([[0,1],[2,3]])) print(x.flatten()) >>>[0 1 2 3]
- squeeze：移除维度为1的维度
x=Tensor(np.ones((2,1,3,1,5))) print(x.squeeze().shape) print(x.squeeze(axis=3).shape) >>>(2,3,5) >>>(2,1,3,5)
- swapaxes：交换张量的两个维度
x=Tensor(np.ones((2,3,5))) print(x.swapaxes(0,2).shape) >>>(5,3,2)
- swapaxes：交换张量的两个维度
x=Tensor(np.ones((2,3,5))) print(x.swapaxes(0,2).shape) >>>(5,3,2)
