昇思25天学习打卡营第2天|初学教程之张量Tensor

张量Tensor基本介绍

        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。其坐标在维空间内，有 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。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。与大多AI框架一样，张量（Tensor）是MindSpore网络运算中的基本数据结构，MindSpore中各种API的实现基本离不开张量。了解并熟悉使用张量是学好MindSpore的必经之路。

张量Tensor的基本操作

        MindSpore的张量基本操作与其他AI框架大同小异，如果有使用其他AI框架的经验，比如Pytorch，上手MindSpore就很快，反过来也一样。

1. 创建张量

        MindSpore支持从Python部分数据类型，比如list、tuple，和numpy.ndarray创建，而Tensor和numpy.ndarray之间可以互相转换，不过二者有些不同，具体可自行到官方文档查看；或者直接输入数据进行创建，其数据类型可由框架自行推导；又或者从另一个Tensor进行复制。

2. 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。

3. 索引方式

        张量的索引方式与numpy.array几乎一样，从0开始，负索引表示倒序/

4. 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。但是在深度学习模型中，处理加减乘除等基本算术外，最常用的便是concat、stack、

5. 稀疏张量

        与我之前所使用过的一些AI框架不同，MindSpore对稀疏张量有额外的原生支持，使得MindSpore在某些应用场景，比如推荐系统、分子动力学、图神经网络等涉及较多的稀疏张量的场景下编程更方便，性能更好些。MindSpore支持两种稀疏张量的格式CSRTensor，COOTensor，CSR和COO都是压缩稀疏张量的方法，在大学的数据结构课程上可能会教过，如果不会就搜索引擎走起咯~

        本人是第一次见到AI框架支持两种稀疏张量格式，了解也不多，如果有兴趣深入了解MindSpore中的这两种稀疏张量格式，请参考mindspore.CSRTensor和mindspore.COOTensor。

jupyter在线运行情况

        与昨日一样，采用jupyter在线运行学习MindSpore中的张量，可以很快速的了解和上手。其运行情况如下：