【深度学习】Tensorflow、MindSpore框架介绍及张量算子操作实战（超详细 附源码）

一、Tensorflow、MindSpore

Google公司于2015年开源了深度学习框架TensorFlow，推动了深度学习的发展，得到了广泛应用，用户数量庞大。

华为公司于2020年开源了自己的深度学习框架MindSpore，现处于快速发展中。

TensorFlow2深度学习框架支持CPU、GPU和Google自己的TPU处理器作为计算平台。MindSpore深度学习框架支持CPU、GPU和华为的昇腾Ascend处理器作为计算平台。

这两个深度学习框架的功能都很强大，内容庞大，包括数据预处理、模型建立与训练、实际工业部署等方方面面。对于初学者来说，刚开始不必面面俱到，应集中精力掌握深度学习的基本知识。

在它们的官网提供了有关框架的详细说明文档，但是要理解这些文档，需要具备深度学习的基本知识。

TensorFlow2和MindSpore深度学习框架中，张量（Tensor）是基本的数据结构，算子是施加在张量上的各种操作，它们是理解深度学习框架最基本的概念。

张量是多维排列的数据。不同维度的张量分别表示不同的数据，0维张量表示标量，1维张量表示向量，2维张量表示矩阵，3维张量可以表示彩色图像的RGB三通道等等。

张量数据的类型与NumPy的数据类型一致，包括各类整数类型和浮点数类型。在深度学习中，一般将待处理的数据规范化为特定维度的张量，例如，在图像处理时，彩色像素点的红、绿、蓝三色值用一个3维的张量来表示。

对张量可以进行与Numpy类似的改变维数reshape、转置transpose、切片slice、索引index、拼接concat、分割splite和排序topk等操作，以及常见的加、减、乘、除和比较等运算。

要注意的是，TensorFlow2和MindSpore框架中，张量的表示方式有差异，在使用时应注意区别。

二、张量与算子的操作 

下面以数组元素的平方和为例示意张量与算子的操作

1：numpy计算

import numpy as np
np_x = np.array([1.0, 2.0, 6.0])
print("numpy output = ", np.square(np_x)) # 或者 np_x ** 2；np_x * np_x; np.power(np_x, 2)

2：MindSpore计算

 

import mindspore as ms
import mindspore.ops.operations as P
ms_x = ms.Tensor([1.0, 2.0, 6.0], ms.float32) # 生成一个张量
square = P.Square() # 实例化
output = square(ms_x)
print("mindspore output =", output)

3：tensorflow计算 

import tensorflow as tf
tf_x = tf.constant([1.0, 2.0, 6.0])
print("tensorflow output = ", tf.pow(tf_x, 2))

4：对python运算符的支持 

print(np_x ** 2)
print(ms_x ** 2)
print(tf_x ** 2)

 创作不易 觉得有帮助请点赞关注收藏~~~