三维张量
Tensor是MindSpore网络运算的一个基本数据结构，MindSpore的所有运算或者数学操作都是基于Tensor的。
创建张量 通过数据直接创建from mindspore import Tensor x = Tensor(0.1) print(x) print(type(x))根据Numpy数组生成
import numpy as np arr = np.array([1, 0, 1, 0]) tensor_arr = Tensor(arr) print(arr) print(type(arr)) print(tensor_arr) print(type(tensor_arr))使用init初始化器构造张量
Tensor构建的时候已经适用过构造器了，为什么还需要使用构造器构造张量？
张量在神经网络中是一个高维数据，如果一开始的初始化做的好可能有助于神经网络模型的学习，假设需要全1的张量，只需要在第三个参数中传入One()即可。
当使用init初始化器对张量进行初始化时，支持传入的参数有init、shape、dtype。
- init: 支持传入initializer的子类。
- shape: 支持传入 list、tuple、 int。
- dtype: 支持传入mindspore.dtype。
from mindspore import set_seed
from mindspore import dtype as mstype
from mindspore.common.initializer import One, Normal
set_seed(1)
tensor1 = Tensor(shape=(2, 2), dtype=mstype.float32, init=One())
tensor2 = Tensor(shape=(2, 2), dtype=mstype.float32, init=Normal())
print("tensor1:n", tensor1)
print("tensor2:n", tensor2)
通过继承的方式构造张量
from mindspore import ops
oneslike = ops.OnesLike()
x = Tensor(np.array([[0, 1], [2, 1]]).astype(np.int32))
output = oneslike(x)
print(output)
print(x)
print("input shape:", x.shape)
print("output shape:", output.shape)
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。
- 形状（shape）：Tensor的shape，是一个tuple。
- 数据类型（dtype）：Tensor的dtype，是MindSpore的一个数据类型。
- 转置张量（T）：Tensor的转置，是一个Tensor。
- 单个元素大小（itemsize）： Tensor中每一个元素占用字节数，是一个整数。
- 占用字节数量（nbytes）： Tensor占用的总字节数，是一个整数。
- 维数（ndim）： Tensor的秩，也就是len(tensor.shape)，是一个整数。
- 元素个数（size）： Tensor中所有元素的个数，是一个整数。
- 每一维步长（strides）： Tensor每一维所需要的字节数，是一个tuple。
Tensor索引与Numpy索引类似，索引从0开始，负索引表示按倒序编制，冒号:和 ...用于对数据进行切片。
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。
普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。
Concat可以将给定维度上的一系列张量连接起来。
data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Concat()
output = op((data1, data2))
print(output)
print("shape:n", output.shape)
Stack
Stack则是从另一个维度上将两个张量合并起来。
data1 = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
data2 = Tensor(np.array([[4, 5], [6, 7]]).astype(np.float32))
op = ops.Stack()
output = op([data1, data2])
print(output)
print("shape:n", output.shape)
Tensor与NumPy转换
Tensor可以和NumPy进行互相转换，一般在网络模型的输出之后会对Tensor做一些下游任务的处理或者把它编程具体的机器学习的任务。
Tensor转换为NumPy与张量创建相同，使用 asnumpy() 将Tensor变量转换为NumPy变量。
zeros = ops.Zeros()
output = zeros((2, 2), mstype.float32)
print("output: {}".format(type(output)))
n_output = output.asnumpy()
print("n_output: {}".format(type(n_output)))
NumPy转换为Tensor
使用Tensor()将NumPy变量转换为Tensor变量。
output = np.array([1, 0, 1, 0])
print("output: {}".format(type(output)))
t_output = Tensor(output)
print("t_output: {}".format(type(t_output)))
