tensorly

緊張

Tensorly是一個Python庫，旨在使張量學習變得簡單易懂。它允許輕鬆執行張量分解，張量學習和張量代數。它的後端系統允許使用Numpy，Pytorch，Jax，Tensorflow，Cupy或Paddle無縫執行計算，並在CPU或GPU上按大規模運行方法。

• 網站： https：//tensorly.org
• 源code： https：//github.com/tensorly/tensorly
• jupyter筆記本： https：//github.com/jeankossaifi/tensorly-notebooks

---

安裝張力

唯一的先決條件是安裝Python 3 。最簡單的方法是通過Anaconda分佈。

使用PIP （推薦）	與Conda
pip安裝-u張力	conda安裝-c張力張力
開發（來自git）
＃克隆存儲庫 git克隆https://github.com/tensorly/tensorly CD張力 ＃以`-e`或等效地安裝可編輯模式安裝`` - PIP安裝-e。

注意：默認情況下，張力依賴於numpy。如果要使用其他後端，則需要單獨安裝這些軟件包。

有關詳細說明，請參閱文檔。

---

Quickstart

創建張量

從numpy陣列中創建一個小尺寸3 x 4 x 2的小三階張量，然後對其進行簡單的操作：

 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 )

您還可以創建隨機張量：

 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' )

您還可以在TT-Format，Tucker等中創建張量，請參閱隨機張量。

設置後端

您可以更改後端以使用不同的框架執行計算。默認情況下，後端是Numpy，但是您也可以使用Pytorch，Tensorflow，Jax，Cupy或Paddle執行計算（需要先安裝它們）。例如，將後端設置為Pytorch後，所有計算都是由Pytorch完成的，並且可以在GPU上創建張量：

 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 

張量分解

應用張量分解很容易：

 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 )

我們還有更多的分解，請務必檢查它們！

下一步

這只是對Tensorly的一些基本功能的快速介紹。有關入門的更多信息，請查看用戶指南以及有關功能及其文檔的詳細參考，請參閱API

如果您看到一個錯誤，請打開問題，或者更好的是，請進行抽籤！

---

貢獻代碼

歡迎所有貢獻！因此，如果您要添加一個涼爽的張量方法，如果您在文檔中發現錯誤甚至錯誤或錯誤，請報告它，甚至更好，在GitHub上打開plup-要求。

在提交更改之前，應確保您的代碼遵守我們的樣式指南。最簡單的方法是與黑色：

pip install black
black .

運行測試

測試和文檔是此軟件包的重要組成部分，所有功能都帶有Uni檢驗和文檔。

使用PYTEST軟件包進行測試。首先安裝pytest：

 PIP安裝pytest

然後，要運行測試，只需在終端中運行：

 pytest -v tensorly

另外，您可以指定要運行測試的後端：

 tensorly_backend ='numpy'pytest -v tensorly

---

引用

如果您在學術論文中使用張力，請引用[1]：

 @article {tensorly，
  作者= {Jean Kossaifi和Yannis Panagakis和Anima Anandkumar和Maja Pantic}，
  title = {tensorly：python中的張量學習}，
  日記= {機器學習研究期刊}，
  年= {2019}，
  音量= {20}，
  數字= {26}，
  頁= {1-6}，
  url = {http://jmlr.org/papers/v20/18-277.html}
}

[1]	Jean Kossaifi，Yannis Panagakis，Anima Anandkumar和Maja Pantic， Tensorly：Python中的張量學習，機器學習研究雜誌（JMLR） ，2019年，2019年，第20卷，編號26。