文章目录
一、Tensor是什么二、构造张量三、Tensor的运算、属性、方法1.运算2.属性3.方法欢迎回到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11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RGB4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)
写在最后
大家好，我是阿光，觉得文章还不错的话，记得“一键三连”哦！！！
