MindSpore开发之路（四）：核心数据结构Tensor-育师

1. 什么是张量（Tensor）？—— AI世界的数据基石

在前面的文章中，我们已经和Tensor打过几次照面。现在，让我们正式地认识它。

从数学上讲，张量是一个多维数组。这个概念可能有点抽象，我们可以用更生活化的方式来理解它：

0维张量（标量）: 一个单独的数字，比如5。就像一个温度计上的读数。
1维张量（向量）: 一串有序的数字，比如[1, 2, 3]。就像一周七天的每日最高气温记录。
2维张量（矩阵）: 一个由数字组成的表格，比如[[1, 2], [3, 4]]。就像一张灰度图片，每个数字代表一个像素点的亮度。
3维张量: 一个由“表格”组成的“立方体”。就像一张彩色图片，每个像素点由红、绿、蓝（RGB）三个数值组成，所以一张图片就是[高度, 宽度, 3]的数据立方体。
更高维的张量: 想象一下，一个视频由连续的图片帧组成，那么一个视频数据就可以是一个4维张量：[帧数, 高度, 宽度, 3]。如果是一批视频，那就是5维张量了。

在MindSpore中，无论是输入的数据（图片、文本、声音）、模型中的参数（权重、偏置），还是计算过程中的中间值，一切都以Tensor的形式存在和流转。

2. 创建Tensor：多种方式“无中生有”

掌握如何创建Tensor是进行MindSpore编程的第一步。MindSpore提供了灵活多样的创建方式。

首先，确保你已经激活了之前创建的mindspore_env虚拟环境，并进入Python交互环境。

importnumpyasnpimportmindsporefrommindsporeimportTensor# 设置为PYNATIVE模式，便于观察每一步的结果mindspore.set_context(mode=mindspore.PYNATIVE_MODE)

2.1 从现有数据创建

最直接的方式就是将Python的列表（List）或NumPy数组（Array）转换为Tensor。

# 从Python List创建data_list=[[1,2],[3,4]]tensor_from_list=Tensor(data_list)print("From List:\n",tensor_from_list)# 从NumPy Array创建 (这是最常见和推荐的方式)dat-numpy=np.array([[5,6],[7,8]])tensor_from_numpy=Tensor(dat-numpy)print("From NumPy Array:\n",tensor_from_numpy)

2.2 创建具有特定值的Tensor

有时我们需要创建一些具有固定值的Tensor，用于初始化或其他特定目的。

frommindsporeimportops# 创建一个全为1的Tensor，形状为(2, 3)ones_tensor=ops.ones((2,3),mindspore.float32)print("Ones Tensor:\n",ones_tensor)# 创建一个全为0的Tensor，形状为(2, 3)zeros_tensor=ops.zeros((2,3),mindspore.float32)print("Zeros Tensor:\n",zeros_tensor)# 创建一个形状与其他Tensor相同的全1 Tensorlike_tensor=ops.ones_like(tensor_from_list)print("Ones Like Tensor:\n",like_tensor)

2.3 创建随机数或序列Tensor

在模型初始化权重等场景下，随机数Tensor非常有用。

# 创建一个形状为(2, 2)，服从标准正态分布的随机数Tensorrand_tensor=ops.randn((2,2))print("Random Normal Tensor:\n",rand_tensor)# 创建一个从0到9的序列range_tensor=ops.arange(10)print("Range Tensor:\n",range_tensor)

3. Tensor的属性：它的“身份证”信息

每个Tensor都自带一套“身份信息”，描述了它的基本特征。这些属性在调试和构建网络时至关重要。

data=[[1,2,3],[4,5,6]]my_tensor=Tensor(data)# 1. 形状 (Shape)# 描述了Tensor在每个维度上的大小，是一个元组。print(f"Shape of tensor:{my_tensor.shape}")# 2. 数据类型 (dtype)# 描述了Tensor中存储的数据是什么类型，比如整数、浮点数等。print(f"Data type of tensor:{my_tensor.dtype}")# 3. 所在设备 (Device)# 描述了Tensor存储在哪个硬件上，是CPU还是GPU/Ascend。# 注意：直接打印Tensor对象会显示其设备信息print(f"Tensor stored on:{my_tensor.device}")

输出结果类似：

Shape of tensor: (2, 3) Data type of tensor: Int64 Tensor stored on: CPU

4. Tensor的操作：像“切菜”和“烹饪”一样处理数据

Tensor的强大之处在于可以对它进行各种高效的运算和变换。

4.1 索引和切片

就像操作NumPy数组一样，我们可以方便地获取Tensor的局部数据。

tensor=ops.ones((4,4))tensor[1,1]=0# 将第1行第1列的元素（从0开始计数）赋值为0print("After modification:\n",tensor)# 切片：获取第1行到第2行（不含第3行）的所有列row_slice=tensor[1:3,:]print("Row Slice:\n",row_slice)# 切片：获取所有行的第1列col_slice=tensor[:,1]print("Column Slice:\n",col_slice)

4.2 基础算术运算

Tensor支持逐元素的加、减、乘、除等运算。

x=ops.ones(2,2)*2y=ops.ones(2,2)*3# 逐元素相加z_add=x+y# 或者使用函数式API# z_add_func = ops.add(x, y)print("Addition:\n",z_add)# 逐元素相乘z_mul=x*yprint("Multiplication:\n",z_mul)

4.3 形状变换

在构建网络时，经常需要改变Tensor的形状以匹配不同层的输入输出要求。

original_tensor=ops.arange(12)print("Original Tensor shape:",original_tensor.shape)# 将1维Tensor重塑为3x4的2维Tensorreshaped_tensor=original_tensor.reshape((3,4))print("Reshaped Tensor:\n",reshaped_tensor)print("Reshaped Tensor shape:",reshaped_tensor.shape)

5. Tensor与NumPy的“亲密关系”

MindSpore的Tensor与NumPy的Array之间可以高效、便捷地相互转换。这使得我们可以充分利用NumPy强大的生态库来做数据预处理等工作。

5.1 Tensor转换为NumPy

ms_tensor=ops.ones(5)print(f"MindSpore Tensor:{ms_tensor}, type:{type(ms_tensor)}")# 使用 .asnumpy() 方法np_array=ms_tensor.asnumpy()print(f"NumPy Array:{np_array}, type:{type(np_array)}")

5.2 NumPy转换为Tensor

这正是我们创建Tensor时最常用的方法。

np_array=np.ones(5)print(f"NumPy Array:{np_array}, type:{type(np_array)}")# 直接使用Tensor()构造函数ms_tensor=Tensor(np_array)print(f"MindSpore Tensor:{ms_tensor}, type:{type(ms_tensor)}")