CANN中如何理解算子基本概念Tensor张量，以及张量的运算

在华为CANN（Compute Architecture for Neural Networks）框架中，算子（Operator）是神经网络模型中的基本计算单元，每个算子具有唯一的名称（Op Name）和类型（Op Type），名称用于区分网络中的不同算子，而类型决定了算子的计算逻辑。算子的核心计算载体是张量（Tensor），它不仅承载数据，还记录形状（Shape）、数据类型（Data Type）和数据排布格式（Data Layout Format）。理解张量的结构对于算子开发和性能优化至关重要。

张量（Tensor）是一种多维数组，其维度（Shape）定义了数据的层次结构。例如，一个形状为(4, 20, 20, 3)的张量可以表示4张20×20的RGB图片，其中3代表颜色通道数。张量的每一维称为轴（Axis），轴的编号从0开始，负数轴表示从末尾开始索引（如axis=-1表示最后一维）。在编程中，张量形状常对应嵌套循环结构，用于操作每个元素完成计算任务。

Tensor作为算子计算的数据容器，其描述符（TensorDesc）定义了数据的具体属性，如形状和数据类型。在CANN中，张量还涉及多种数据排布格式（如NHWC、NC1HWC0等），这些格式优化了内存访问效率，直接影响算子性能。

tensor到底是啥

pytorch 和tensorflow 中最重要的概念就是tensor了，tensorflow 这个框架的名字中很直白，就是tensor的流动，所以学习深度学习的第一课就是得搞懂tensor到底是个什么东西了，今天就来学习下，OK，起飞

tensor 即“张量”（翻译的真难理解，破概念）。实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率，不要被吓到。

在PyTorch中，张量Tensor是最基础的运算单位，与NumPy中的NDArray类似，张量表示的是一个多维矩阵。不同的是，PyTorch中的Tensor可以运行在GPU上，而NumPy的NDArray只能运行在CPU上。由于Tensor能在GPU上运行，因此大大加快了运算速度。

一句话总结：一个可以运行在gpu上的多维数据而已。

张量的运算：

tensor是深度学习的基础，也是入门的，可以简单的理解为一个多维的数据结构，并且内置了一些特殊运算。

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。

Tensor是算子计算数据的容器，TensorDesc（Tensor描述符）是对Tensor中数据的描述。TensorDesc数据结构包含如下属性如表所示。

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。

昇腾训练营报名链接:
https://www.hiascend.com/developer/activities/cann20252#cann-camp-2502-intro

训练营简介:2025年昇腾CANN训练营第二季，基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖