本文目录
- 什么是张量 (tensor)
- tensor 与 vector 有什么区别
- “Tensor is something that transforms like a tensor”是什么意思
- tensorflow list和tensor的区别
- 2020-03-31【Tensor RT】
- 全新Tensor G2芯片加持，谷歌Pixel 7 Pro有何亮点
- python如何判断tensor是否存在某个元素
- torch.Tensor 和 torch.tensor
- tensorflow是什么语言
- Tensorflow的工作原理是
什么是张量 (tensor)
张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。张量之所以重要，在于它可以满足一切物理定律必须与坐标系的选择无关的特性。
张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。
张量的理论来源。
亚瑟·凯莱（Arthur Cayley)着力研究的不变量理论（invariant theory)导致了矩阵理论的建立，引进了现代意义上的行列式的代数表达，这成为射影几何的重要工具。凯莱的不变量理论产生于19世纪前半叶的英国着重对代数及代数在几何方面的应用研究这样的背景下。矩阵理论对线性变换的研究引进了向量的代数定义，而这是张量概念的先导。
tensor 与 vector 有什么区别
张量积(tensor
product)
，可以应用于不同的上下文中如向量、矩阵、张量、向量空间、代数、拓扑向量空间和模。在各种情况下这个符号的意义是同样的:
最一般的双线性运算。在某些上下文中也叫做外积。tensor是矩阵分析里面的张量，表示高维数组，或者叫多路数据。二阶张量就是矩阵，一阶张量就是向量。高阶SVD相对于矩阵SVD更能提取出高维数据的内在结构。
Vector
类在
java
中可以实现自动增长的对象数组;
vector在C++标准模板库中的部分内容，它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。
(1)
矢量：具有方向性的量。
(2)
编程语言方面：vector是C++标准模板库中的部分内容，中文偶尔译作“容器”，但并不准确。它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。vector之所以被认为是一个容器，是因为它能够像容器一样存放各种类型的对象，简单地说，vector是一个能够存放任意类型的动态数组，能够增加和压缩数据。
“Tensor is something that transforms like a tensor”是什么意思
张量（微电子学专业词汇）就是像紧张肌(生物学词汇）一样变换的东西。
本句是解释tensor的定义。
但愿能够帮到你。参看a.zee 《Einstein gravity in a nutshell》的1.4节 who is afraid of tensors
tensorflow list和tensor的区别
tensor 读音：英
名词：张肌，张量
例如：
Next we set some other properties of the body: mass and the inertia tensor.
下一步我们设置物体的一些其它属性：质量和惯性张量。
tensorflow list是tensorflow列表；
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从图象的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
2020-03-31【Tensor RT】
TensorRT优化方法主要有以下几种方式，最主要的是前面两种。
如下图左侧是GoogLeNetInception模块的计算图。这个结构中有很多层，在部署模型推理时，这每一层的运算操作都是由GPU完成的，但实际上是GPU通过启动不同的CUDA（Compute unified device architecture）核心来完成计算的，CUDA核心计算张量的速度是很快的，但是往往大量的时间是浪费在CUDA核心的启动和对每一层输入/输出张量的读写操作上面，这造成了内存带宽的瓶颈和GPU资源的浪费。TensorRT通过对层间的横向或纵向合并（合并后的结构称为CBR，意指 convolution, bias, and ReLU layers are fused to form a single layer），使得层的数量大大减少。横向合并可以把卷积、偏置和激活层合并成一个CBR结构，只占用一个CUDA核心。纵向合并可以把结构相同，但是权值不同的层合并成一个更宽的层，也只占用一个CUDA核心。合并之后的计算图（图4右侧）的层次更少了，占用的CUDA核心数也少了，因此整个模型结构会更小，更快，更高效。
大部分深度学习框架在训练神经网络时网络中的张量（Tensor）都是32位浮点数的精度（Full 32-bit precision，FP32），一旦网络训练完成，在部署推理的过程中由于不需要反向传播，完全可以适当降低数据精度，比如降为FP16或INT8的精度。更低的数据精度将会使得内存占用和延迟更低，模型体积更小。INT8只有256个不同的数值，使用INT8来表示 FP32精度的数值，肯定会丢失信息，造成性能下降。不过TensorRT会提供完全自动化的校准（Calibration ）过程，会以最好的匹配性能将FP32精度的数据降低为INT8精度，最小化性能损失。
网络模型在推理计算时，是调用GPU的CUDA核进行计算的。TensorRT可以针对不同的算法，不同的网络模型，不同的GPU平台，进行 CUDA核的调整（怎么调整的还不清楚），以保证当前模型在特定平台上以最优性能计算。
TensorRT will pick the implementation from a library of kernels that delivers the best performance for the target GPU, input data size, filter size, tensor layout, batch size and other parameters.
在每个tensor的使用期间，TensorRT会为其指定显存，避免显存重复申请，减少内存占用和提高重复使用效率。
Scalable design to process multiple input streams in parallel，这个应该就是GPU底层的优化了
知乎大佬链接
https://zhuanlan.zhihu.com/p/64933639
全新Tensor G2芯片加持，谷歌Pixel 7 Pro有何亮点
全新的Android13系统，外观非常时尚，辨识度很高。而且都是后置三摄像头。
首款Pixel7系列安卓13手机将搭载新一代先进的自芯片，这些芯片被设计成金属框架的一个组成部分，并带有该地区的摄像头，而安卓13则具有新的体验功能。
手机像素，前置6.1英寸60赫兹宽，机身塑料，内置4410安培电池，配备新一代谷歌Tinsor芯片，支持5G网络，其次是1220万像素mx363主摄像头。售价449美元，约合3020元，有新一代旗舰像素7 Pro，从设计角度来看，新设备仍然是上一代px6系列风格设计，主要是在后置摄像头和经过修改的模块上，双pix7，Pix7pro是一套带有下一代tensor芯片的水平模型感叹号套件，在安装官方版本的andrid13之前。
外观仍然是家庭设计和细节调整的语言。后置摄像头仍通过设计单元使用，主后置摄像头pix7pro 5000万像素，广角1200万像素，4800万美元。长期关注，功能强大，人们更担心性能。pic7将与谷歌tensor2处理器一起加载。根据来自谷歌搜索南方石油公司芯片的猜测信息，三星很有可能被铸造他们的芯片基于三星的4nm工艺。
Pix7预计屏幕分辨率为1080p，支持率很高。Pro的刷新率预计将保持2K屏幕分辨率，重点是挖掘前沿。具有本地软件经验的谷歌手机本身并不好，因为匹配问题，谷歌手机没有推出全国版，没有深度匹配，而本地主流聊天软件或视频软件。或者购物软件相对来说更脂肪，即使是谷歌原始的手机系统本地主流软件将显示一些错误。
python如何判断tensor是否存在某个元素
可以利用in运算符来进行判断。
如果在指定的序列中找到值返回True，否则返回False。运算符notin表示如果在指定的序列中没有找到值返回True，否则返回False。
Python字典in操作符用于判断键是否存在于字典中，如果键在字典dict里返回true，否则返回false。此方法用于列表可以判断元素是否在列表中。
torch.Tensor 和 torch.tensor
创建一个张量，有时用torch.Tensor，有时用torch.tensor，大小写字母的区别到底在哪里。
torch.Tensor()是python类，生成的张量是默认数据类型：torch.FloatTensor()，即单精度浮点数类型；
torch.tensor()是python函数，生成的张量的数据类型，是根据括号中的数据的实际类型而定的，函数原型是：
torch.tensor(data, dtype=None, device=None, requires_grad=False)
如果torch.tensor()，那么数据类型是torch.LongTensor；
如果torch.tensor()，那么数据类型是torch.FloatTensor；
以此类推。
参考：
https://blog.csdn.net/tfcy694/article/details/85338745
tensorflow是什么语言
TensorFlow是编程语言Python，C++，CUDA。
TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。
Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API）。
自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。
扩展资料：
TensorFlow的核心组件：
分布式TensorFlow的核心组件（core runtime）包括：分发中心（distributed master）、执行器（dataflow executor/worker service）、内核应用（kernel implementation）和最底端的设备层（device layer）/网络层（networking layer）。
分发中心从输入的数据流图中剪取子图（subgraph），将其划分为操作片段并启动执行器。分发中心处理数据流图时会进行预设定的操作优化，包括公共子表达式消去（common subexpression elimination）、常量折叠（constant folding）等。
执行器负责图操作（graph operation）在进程和设备中的运行、收发其它执行器的结果。分布式TensorFlow拥有参数器（parameter server）以汇总和更新其它执行器返回的模型参数。执行器在调度本地设备时会选择进行并行计算和GPU加速。
TensorFlow的安装：
语言与系统支持
1、Python
TensorFlow提供Python语言下的四个不同版本：CPU版本（tensorflow）、包含GPU加速的版本（tensorflow-gpu），以及它们的每日编译版本（tf-nightly、tf-nightly-gpu）。
TensorFlow的Python版本支持Ubuntu 16.04、Windows 7、macOS 10.12.6 Sierra、Raspbian 9.0及对应的更高版本，其中macOS版不包含GPU加速。安装Python版TensorFlow可以使用模块管理工具pip/pip3或anaconda并在终端直接运行。
2、配置GPU
TensorFlow支持在Linux和Window系统下使用统一计算架构（Compute Unified Device Architecture, CUDA）高于3.5的NVIDIA GPU。
配置GPU时要求系统有NVIDIA GPU驱动384.x及以上版本、CUDA Toolkit和CUPTI（CUDA Profiling Tools Interface）9.0版本、cuDNN SDK7.2以上版本。可选配置包括NCCL 2.2用于多GPU支持、TensorRT 4.0用于TensorFlow模型优化。
参考资料来源：百度百科-TensorFlow
Tensorflow的工作原理是
Tensorflow是用数据流图来进行数值计算的,而数据流图是描述有向图的数值计算过程。在有向图中,节点表示为数学运算,边表示传输多维数据,节点也可以被分配到计算设备上从而并行的执行操作。它是用数据流图来进行数值计算的,而数据流图是描述有向图的数值计算过程。在有向图中,节点表示为数学运算,边表示传输多维数据,节点也可以被分配到计算设备上从而并行的执行操作。
