关于张量Tensor的总结

张量是一种特殊的数据结构，与数组和矩阵非常相似。张量(Tensor)是MindSpore网络运算中的基本数据结构，本教程主要介绍张量和稀疏张量的属性及用法。

创建张量

张量的创建方式有多种，构造张量时，支持传入Tensor、float、int、bool、tuple、list和numpy.ndarray类型。

• 根据数据直接生成 可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。
• 从NumPy数组生成 --查了下，应该是是说友商的数据类型，可以从NumPy数组创建张量。--这两个创造的张量是这个样子[1 0 1 0]
• 使用init初始化器构造张量 --应该是说类里面的init初始化 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。
  1. init: 支持传入initializer的子类。如:One()和Normal()
  2. shape: 支持传入 list、tuple、 int。
  3. dtype: 支持传入mindspore.dtype

init构造主要用于并行模式下的延后初始化，在正常情况下不建议使用init对参数进行初始化。--构造完的张量为啥是这个样子？tensor1:[[1. 1.][1. 1.]]，跟上面两个的不一样啊

• 继承另一个张量的属性，形成新的张量
  1. ops.ones_like(x_data)-->Ones Tensor:[1 1 1 1]
  2. ops.zeros_like(x_data)-->Zeros Tensor:[0 0 0 0]

--继承的函数看代码有两种方式，生成的结果也不相同，为啥没解释下这两种方式有啥区别，查了一下就是初始化值的区别，只继承属性啊原来

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。
• 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。

--这些东西只有用到的时候，报错的时候才能想起来查查看呢。。。

张量的索引

Tensor索引与Numpy索引类似，索引从0开始编制，负索引表示按倒序编制，冒号:和 ...用于对数据进行切片。--并不知道numpy索引是啥，不过这就不就是python的逻辑吗，左闭右开索引、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，下面介绍其中几种操作。

• 普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。
• ops.concat 将给定维度上的一系列张量连接起来。--看代码是合成一个张量了
• ops.stack 则是从另一个维度上将两个张量合并起来。--看代码是合成一个张量集合了

Tensor与NumPy的转换

Tensor可以和NumPy进行互相转换。

• T转N：N = T.asnumpy()
• N转T：T = Tensor.from_numpy(N)

--我强迫症犯了，谁写的这个？一点也不优雅！！差评！！

稀疏张量

稀疏张量是一种特殊张量，其中绝大部分元素的值为零。 在某些应用场景中（比如推荐系统、分子动力学、图神经网络等），数据的特征是稀疏的，若使用普通张量表征这些数据会引入大量不必要的计算、存储和通讯开销。这时就可以使用稀疏张量来表征这些数据。*--看样子是针对一些特殊场景提高性能用的特殊数据类型

常用稀疏张量的表达形式是<indices:Tensor, values:Tensor, shape:Tensor>。其中，indices表示非零下标元素， values表示非零元素的值，shape表示的是被压缩的稀疏张量的形状。--总结一下就是，<下标，值，形状>，形状这个概念没咋搞清楚啊，是说什么呢，看来只有用到才能知道了

在这个结构下，我们定义了三种稀疏张量结构：CSRTensor、COOTensor和RowTensor。

CSRTensor

CSR（Compressed Sparse Row）稀疏张量格式有着高效的存储与计算的优势。其中，非零元素的值存储在values中，非零元素的位置存储在indptr（行）和indices（列）中。各参数含义如下：

• indptr: 一维整数张量, 表示稀疏数据每一行的非零元素在values中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。
• indices: 一维整数张量，表示稀疏张量非零元素在列中的位置, 与values长度相等，索引数据类型支持int16、int32、int64。
• values: 一维张量，表示CSRTensor相对应的非零元素的值，与indices长度相等。
• shape: 表示被压缩的稀疏张量的形状，数据类型为Tuple，目前仅支持二维CSRTensor。

--看代码，shape形状这个概念根本就是行数和列数啊，但是为什么行数有三个最后只有两个非零值？因为列数限制了两个吗？

COOTensor

COO（Coordinate Format）稀疏张量格式用来表示某一张量在给定索引上非零元素的集合，若非零元素的个数为N，被压缩的张量的维数为ndims。各参数含义如下：

• indices: 二维整数张量，每行代表非零元素下标。形状：[N, ndims]， 索引数据类型支持int16、int32、int64。
• values: 一维张量，表示相对应的非零元素的值。形状：[N]。
• shape: 表示被压缩的稀疏张量的形状，目前仅支持二维COOTensor。

一些问题

这节有点吃基础啊

很多定义消化起来很吃力，得自己查啊，没有具体的项目感觉有点空啊。