《昇思25天学习打卡营第2天|张量Tensor》

1、前言

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。
张量是多维数组，是深度学习和机器学习中数据表示的基本单位。它可以表示标量（0维张量）、向量（1维张量）、矩阵（2维张量）以及更高维度的数组。在大模型（如神经网络）中，张量用于存储和操作数据、权重、偏置等参数。

在大模型中的地位：
数据表示： 输入数据（如图像、文本、音频等）在进入模型前通常会被转换为张量形式，以便于模型处理。
参数存储： 模型的权重和偏置也是以张量形式存储和更新的。
运算操作： 深度学习中的各种运算（如矩阵乘法、卷积操作、激活函数等）都是在张量上进行的。
梯度计算： 在反向传播过程中，张量用于存储梯度信息，以更新模型参数。

2 张量案例分析

2.1导入必要的库

import numpy as np
import mindspore
from mindspore import ops
from mindspore import Tensor, CSRTensor, COOTensor

导入NumPy库、MindSpore库以及MindSpore中的一些模块。

2.2 创建张量（Tensor）

data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)

创建一个包含数据 [1, 0, 1, 0] 的张量 x_data 并打印其值、形状和数据类型。

2.3 从NumPy数组创建张量

np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)

从NumPy数组 np_array 创建张量 x_np，并打印其值、形状和数据类型。

2.4 使用初始化器创建张量

from mindspore.common.initializer import One, Normal
tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())
print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)

使用 One 初始化器创建一个全为1的张量 tensor1，使用 Normal 初始化器创建一个从正态分布中抽样的张量 tensor2，并打印它们的值。

2.5 创建全1和全0张量

x_ones = ops.ones_like(x_data)
print(f"Ones Tensor: \n {
     x_ones} \n")
x_zeros = ops.zeros_like