MindSpore开发之路（四）：核心数据结构Tensor

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。

python 复制代码

import numpy as np
import mindspore
from mindspore import Tensor

# 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。

python 复制代码

# 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。

python 复制代码

from mindspore import ops

# 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 Tensor
like_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。

python 复制代码

# 创建一个形状为(2, 2)，服从标准正态分布的随机数Tensor
rand_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。

python 复制代码

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：

复制代码

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。

python 复制代码

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0
print("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。

python 复制代码

x = ops.ones(2, 2) * 2
y = 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 * y
print("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。

python 复制代码

original_tensor = ops.arange(12)
print("Original Tensor shape:", original_tensor.shape)

# 将1维Tensor重塑为3x4的2维Tensor
reshaped_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

python 复制代码

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。

python 复制代码

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)}")

重要提示 ：当Tensor在CPU上时，Tensor.asnumpy()和Tensor(numpy_array)的转换过程是零拷贝的，意味着它们共享同一块内存。修改其中一个会影响另一个。这极大地提升了效率，但也需要注意数据同步问题。

6. 总结

本文深入探讨了MindSpore的核心数据结构------Tensor。我们学习了它是什么，如何创建它，它有哪些重要属性，以及如何像处理普通数据一样对它进行切片、运算和变形。更重要的是，我们理解了Tensor在MindSpore生态中的中心地位，以及它与NumPy之间的无缝桥梁。

掌握了Tensor，您就拿到了进入MindSpore世界的"钥匙"。在下一篇文章中，我们将学习如何使用nn.Cell来搭建网络的基本骨架，并将我们今天所学的Tensor知识应用到实践中。