tensorly

紧张

Tensorly是一个Python库，旨在使张量学习变得简单易懂。它允许轻松执行张量分解，张量学习和张量代数。它的后端系统允许使用Numpy，Pytorch，Jax，Tensorflow，Cupy或Paddle无缝执行计算，并在CPU或GPU上按大规模运行方法。

• 网站： https：//tensorly.org
• 源code： https：//github.com/tensorly/tensorly
• jupyter笔记本： https：//github.com/jeankossaifi/tensorly-notebooks

---

安装张力

唯一的先决条件是安装Python 3 。最简单的方法是通过Anaconda分布。

使用PIP （推荐）	与Conda
pip安装-u张力	conda安装-c张力张力
开发（来自git）
＃克隆存储库 git克隆https://github.com/tensorly/tensorly CD张力 ＃以`-e`或等效地安装可编辑模式安装`` - PIP安装-e。

注意：默认情况下，张力依赖于numpy。如果要使用其他后端，则需要单独安装这些软件包。

有关详细说明，请参阅文档。

---

Quickstart

创建张量

从numpy阵列中创建一个小尺寸3 x 4 x 2的小三阶张量，然后对其进行简单的操作：

 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 )

您还可以创建随机张量：

 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' )

您还可以在TT-Format，Tucker等中创建张量，请参阅随机张量。

设置后端

您可以更改后端以使用不同的框架执行计算。默认情况下，后端是Numpy，但是您也可以使用Pytorch，Tensorflow，Jax，Cupy或Paddle执行计算（需要先安装它们）。例如，将后端设置为Pytorch后，所有计算都是由Pytorch完成的，并且可以在GPU上创建张量：

 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 

张量分解

应用张量分解很容易：

 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 )

我们还有更多的分解，请务必检查它们！

下一步

这只是对Tensorly的一些基本功能的快速介绍。有关入门的更多信息，请查看用户指南以及有关功能及其文档的详细参考，请参阅API

如果您看到一个错误，请打开问题，或者更好的是，请进行抽签！

---

贡献代码

欢迎所有贡献！因此，如果您要添加一个凉爽的张量方法，如果您在文档中发现错误甚至错误或错误，请报告它，甚至更好，在GitHub上打开plup-要求。

在提交更改之前，应确保您的代码遵守我们的样式指南。最简单的方法是与黑色：

pip install black
black .

运行测试

测试和文档是此软件包的重要组成部分，所有功能都带有Uni检验和文档。

使用PYTEST软件包进行测试。首先安装pytest：

 PIP安装pytest

然后，要运行测试，只需在终端中运行：

 pytest -v tensorly

另外，您可以指定要运行测试的后端：

 tensorly_backend ='numpy'pytest -v tensorly

---

引用

如果您在学术论文中使用张力，请引用[1]：

 @article {tensorly，
  作者= {Jean Kossaifi和Yannis Panagakis和Anima Anandkumar和Maja Pantic}，
  title = {tensorly：python中的张量学习}，
  日记= {机器学习研究期刊}，
  年= {2019}，
  音量= {20}，
  数字= {26}，
  页= {1-6}，
  url = {http://jmlr.org/papers/v20/18-277.html}
}

[1]	Jean Kossaifi，Yannis Panagakis，Anima Anandkumar和Maja Pantic， Tensorly：Python中的张量学习，机器学习研究杂志（JMLR） ，2019年，2019年，第20卷，编号26。