tensorly

Тенсорно

Tensorly - это библиотека Python, которая нацелена на то, чтобы сделать тензоры простым и доступным. Это позволяет легко выполнять тензорную разложение, тензорное обучение и тензорную алгебру. Его бэкэндская система позволяет плавно выполнять вычисления с помощью методов Numpy, Pytorch, Jax, Tensorflow, Cupy или Paddle, а также запускать методы в масштабе на процессоре или GPU.

• Веб -сайт: https://tensorly.org
• Source-Code: https://github.com/tensorly/tensorly
• Notebooks notebooks: https://github.com/jeankossaifi/tensorly-notebooks

---

Установка тензора

Единственное предварительное условие-установить Python 3 . Самый простой способ - это распределение Anaconda.

С PIP (рекомендуется)	С Conda
PIP установка -u Tensorly	Conda install -c Tensorly Tensorly
Развитие (из git)
# клонировать репозиторий git clone https://github.com/tensorly/tensorly CD Тенсорно # Установить в редактируемом режиме с `-e` или, эквивалентно,`-Editable ' PIP установка -e.

Примечание. Тензорли зависит от Numpy по умолчанию. Если вы хотите использовать другие бэкэнды, вам нужно будет установить эти пакеты отдельно.

Для получения подробной инструкции см. Документацию.

---

QuickStart

Создание тензоров

Создайте небольшой тензор третьего порядка размером 3 x 4 x 2, из массива Numpy и выполните простые операции на нем:

 import tensorly as tl
import numpy as np


tensor = tl . tensor ( np . arange ( 24 ). reshape (( 3 , 4 , 2 )), dtype = tl . float64 )
unfolded = tl . unfold ( tensor , mode = 0 )
tl . fold ( unfolded , mode = 0 , shape = tensor . shape )

Вы также можете создать случайные тензоры:

 from tensorly import random

# A random tensor
tensor = random . random_tensor (( 3 , 4 , 2 ))
# A random CP tensor in factorized form
cp_tensor = random . random_tensor ( shape = ( 3 , 4 , 2 ), rank = 'same' )

Вы также можете создавать тензоры в TT-формате, Tucker и т. Д., См. Случайные тензоры.

Установка бэкэнд

Вы можете изменить бэкэнд для выполнения вычислений с другой структурой. По умолчанию бэкэнд - Numpy, но вы также можете выполнить вычисление, используя Pytorch, Tensorflow, Jax, Cupy или Paddle (необходимо сначала установить их). Например, после установки бэкэнда для Pytorch все вычисления выполняются Pytorch, и тензоры могут быть созданы на графическом процессоре:

 tl . set_backend ( 'pytorch' ) # Or 'numpy', 'tensorflow', 'cupy' or 'jax'
tensor = tl . tensor ( np . arange ( 24 ). reshape (( 3 , 4 , 2 )), device = 'cuda:0' )
type ( tensor ) # torch.Tensor 

Тенсорное разложение

Применение тензора разложения легко:

 from tensorly . decomposition import tucker
# Apply Tucker decomposition
tucker_tensor = tucker ( tensor , rank = [ 2 , 2 , 2 ])
# Reconstruct the full tensor from the decomposed form
tl . tucker_to_tensor ( tucker_tensor )

У нас есть еще много декомпозиций, не забудьте проверить их!

Следующие шаги

Это всего лишь очень быстрое введение в некоторые основные особенности Tensorly. Для получения дополнительной информации о начале начала проверки пользователя и для подробной ссылки на функции и их документацию см. В API

Если вы видите ошибку, откройте проблему или, еще лучше, проведенный зал!

---

Содействующий код

Все взносы приветствуются! Так что, если у вас есть прохладный метод тензора, который вы хотите добавить, если вы обнаружите ошибку или даже опечатку или ошибку в документации, сообщите об этом, и даже лучше, откройте запрос на Github.

Прежде чем отправить свои изменения, вы должны убедиться, что ваш код придерживается нашего стиля. Самый простой способ сделать это с черным:

pip install black
black .

Запуск тестов

Тестирование и документация являются неотъемлемой частью этого пакета, и все функции поставляются с Uni-тестами и документацией.

Тесты выполняются с использованием пакета Pytest. Сначала установите Pytest:

 PIP установить Pytest

Затем, чтобы запустить тест, просто запустите, в терминале:

 Pytest -v Tensorly

В качестве альтернативы, вы можете указать, для какого бэкэнда вы хотите запустить тесты:

 Tensorly_backend = 'numpy' pytest -v tensorly

---

Цитируя

Если вы используете тенденцию в академической статье, пожалуйста, цитируйте [1]:

 @Article {Tensorly,
  Автор = {Джин Коссафии и Яннис Панагакис и Анима Анандкумар и Майя Пантикат},
  title = {Tensorly: Tensor Learning в Python},
  Journal = {журнал исследований машинного обучения},
  Год = {2019},
  том = {20},
  number = {26},
  pages = {1-6},
  url = {http://jmlr.org/papers/v20/18-277.html}
}

[1]	Жан Коссафи, Яннис Панагакис, Анима Анандкумар и Майя Пантич, Тенсорное: Тенсорное обучение в Python , Журнал исследований машинного обучения (JMLR) , 2019, том 20, номер 26.