提起张量分析_由浅入深地带你了解分析张量 大家在熟悉不过了，被越来越多的人所熟知，那你知道张量分析_由浅入深地带你了解分析张量 吗？快和小编一起去了解一下吧！
【资料图】
张量分析(由浅入深，你知道分析张量)
神经 *** 的输入、输出和权值都是张量，神经 *** 中的各种计算和变换都是对张量的运算。张量，一种数据结构，是神经 *** 的基石。可以说，不理解张量，就没有真正理解神经 *** 和人工智能。本文由浅入深地详细讲解了分析张量，希望对读者有所启发——宵远。
张量的定义
张量是一个多维数组，即存储一组数的数据结构，可以通过索引单独访问，也可以通过多个索引进行索引。
张量是向量和矩阵到任意维的推广。如下图所示，张量的维数与张量中用来表示标量值的索引数一致。
新张量=张量[索引]
张量的查看和存储
点击张量的存储。ipynb进行深入研究。以下是该文件的主要内容:
张量，PyTorch中的基本数据结构
索引对PyTorch张量进行操作以探索和处理数据。
与NumPy多维数组的互操作性
将计算转移到GPU以加快速度
张量的视图定义和存储
存储是数字数据的一维数组，例如包含给定类型数字(可能是float或int32)的连续内存块。张量是一种存储的视图，可以通过使用偏移和每个维度的每维度步骤将其索引到存储中。的存储布局永远是一维的，与任何可能涉及它的张量的维数无关。
多个张量可以索引同一个存储，即使它们索引数据的方式不同。但是底层内存只分配一次，所以无论存储实例管理的数据有多大，都可以快速创建数据上的备选张量视图。
张量观的多维意义
张量的观点就是我们如何理解张量，比如形状为[2，4，4，3]的张量A。逻辑上我们可以理解为两张图片，每张4行4列，每个位置都有RGB 3通道的数据；张量的存储体现在，张量作为一个连续的存储区存储在内存中。对于同一个存储，我们可以有不同的理解方式，比如上面的A，在不改变张量存储的情况下，我们可以把张量A理解为两个样本，每个样本的特征都是一个长度为48的向量。这就是存储和视图的关系。
张量存储的一维性
存储数据时，内存不支持这种维度层次的概念，只能按顺序分块写入内存。所以这种层次关系需要人工管理，即需要人工跟踪每个张量的存储顺序。为了表达方便，我们把张量形状左侧的维度称为大维度，形状右侧的维度称为小维度。比如在[2，4，4，3]的张量中，与通道数相比，图片数称为大维，通道数称为小维。在优先写入小尺寸的设置下，形状(2，3)张量的存储布局如下:
[1.,4.,2.,1.,3.,5.]创建数据时，会根据初始维度顺序写入数据。改变张量的视图只是改变了张量的理解公式，而不改变张量的存储顺序。这在一定程度上是因为计算效率的原因，大量数据的写操作会消耗更多的计算资源。
张量存储的形状(大小)、存储偏移量和步长
为了索引到存储器中，张量依赖于一些信息，这些信息和它们的存储器一起清楚地定义了它们:大小、存储偏移和步长(如下)。
英文意思形状是一个元组，表示张量表示的每个维度上有多少个元素。注意张量的形状等同于存储的大小。Step stride是一个元组，它指示当索引在每个维度上增加1时，存储中必须跳过的元素的数量。存储偏移量storage offset存储张量中之一个元素对应的索引。
在上面的例子中，访问二维张量中的元素(I，j)(i，j)的结果是访问存储中的$ storage _ offset+stride[0]I+stride[1]j $元素。
更一般化:对于形状为(d1，d2，…，dn)的张量的视图中的元素E(e1，e2，…，en)E(e1，e2，…，en)，如果张量的存储步长为stride (s1，s2，…，sn)
由此，我们得到张量视图的计算公式:
张量视图=张量存储+张量形状+张量步长+张量偏移
张量存储对张量运算的影响
张量和存储之间的这种间接性导致了一些操作，例如转置张量或提取子张量。这些操作是廉价的，因为它们不会导致内存重新分配；相反，它们包括为新的张量对象分配不同的形状、存储偏移量或步长值。
张量的维数降低了，而索引的存储空仍然与原来的点张量相同。改变子张量会对原张量产生副作用(子张量的修改会影响原张量)。但这种效应可能不会一直存在，因为子张量可以克隆成新的张量。
没有分配新的内存:转置只能通过创建一个新的张量实例来获得，该实例的步长与原始张量的步长不同。您可以通过重新排列张量函数(如PyTorch中的tense()函数)来强制复制一个张量，使其布局与新创建的张量的布局相同。
张量的表示和存储的区别和联系
接触
对于元素E (E1，E2，...，EN)在张量的视野中，其形状是(D1，D2，...，DN)，如果张量的存储步长为(S1，S2，...，Sn)且存储偏移量storage offset为s_o，则元素E的存储位置索引为:
张量视图=张量存储+张量形状+张量步长+张量偏移
区分
同一个存储可以有不同的视图:tensor_B.storage()与tensor_B_transpose.storage()相同，但tensor_B与tensor_B_transpose不同。
同一个视图可以有不同的存储:tensor_A与tensor_B_transpose相同，但tensor_A.storage()与tensor_B_transpose.storage()不同。
摘要:张量视图与存储之间的关系是通过索引建立的。两者之间没有必然，就是同一个存储可以有不同的视图，同一个视图可以有不同的存储。
张量运算
点击TensorFlow张量的常用运算。ipynb了解更多信息。以下是该文件的主要内容:
dtype=int32,float32,string,booltf.convert_to_tensor,tf.constant,tf.zeros,tf.ones,tf.zeros_like,tf.fill,tf.random.normal,tf.random.uniform,tf.rangeA[1][2][1],A[1,2,1],A[:,:,0:3:2],A[...,0:3:2]tf.reshape,tf.expand_dims,tf.squeeze,tf.transposetf.tile+,-,*,/,//,%,**,tf.pow,tf.square,tf.sqrt,tf.math.log,tf.matmul,@tf.concat,tf.stack,tf.split,tf.unstacktf.norm,tf.reduce_maxminmeansum,tf.argmax,tf.argmintf.equaltf.pad,tf.keras.preprocessing.sequence.pad_sequences,tf.tiletf.maximum,tf.minimum,tf.clip_by_valuetf.gather,tf.gather_ndtf.boolean_masktf.wheretf.scatter_ndtf.meshgrid
