Github项目推荐 | tntorch - 使用PyTorch进行张量网络学习

tntorch - Tensor Network Learning with PyTorch

by rballester

https://tntorch.readthedocs.io/

Github项目地址：

https://github.com/rballester/tntorch

New：我们的 Read the Docs 网站已经发布！

欢迎使用tntorch，一个使用张量网络的PyTorch驱动的建模和学习库。 这种网络的独特之处在于它们使用多线性神经单元（而不是非线性激活单元）。 功能包括：

• 张量、广播、转让等的基本和花哨索引

• 张量的分解和重建

• 元素和张量算术

• 使用交叉近似从黑盒函数构建张量

• 统计和敏感性分析

• 使用自动分化进行优化

• 杂项。对张量的操作：堆叠、展开、取样、求导等

可用的张量格式包括：

• CANDECOMP/PARAFAC (CP)

• Tucker

• Tensor train (Tensor训练 - TT)

• 混合: CP-Tucker, TT-Tucker 等等。

• 部分支持其他分解，如 INDSCAL, CANDELINC, DEDICOM, PARATUCK2, 和自定义格式

例如，以下网络都代表TT和TT-Tucker格式的4D张量（即可以采用 I1 x I2 x I3 x I4可能值的实数函数）：

在tntorch 中，所有张量分解共享相同的接口。 你可以用容易理解的形式处理它们，就像它们是纯NumPy数组或PyTorch张量一样：

> import tntorch as tn> t = tn.randn(32, 32, 32, 32, ranks_tt=5)  # Random 4D TT tensor of shape 32 x 32 x 32 x 32 and TT-rank 5> print(t)
4D TT tensor:
 32  32  32  32  |   |   |   | (0) (1) (2) (3) / \ / \ / \ / \1   5   5   5   1
> print(tn.mean(t))
tensor(8.0388)
> print(tn.norm(t))
tensor(9632.3726)

解压缩张量很容易：

> print(t.torch().shape)torch.Size([32, 32, 32, 32])

由于PyTorch的自动微分，你可以很容易地定义张量上的各种损失函数：

def loss(t):    return torch.norm(t[:, 0, 10:, [3, 4]].torch())  # NumPy-like "fancy indexing" for arrays

最重要的是，损失函数也可以在压缩张量上定义：

def loss(t):    return tn.norm(t[:3, :3, :3, :3] - t[-3:, -3:, -3:, -3:])

查看 introductory notebook ，了解有关基础知识的所有详细信息。

教程笔记

• Introduction - 介绍

• Active subspaces - 活跃子空间

• ANOVA decomposition - ANOVA分解

• Boolean logic - 布尔逻辑

• Classification - 分类

• Cross-approximation - 交叉近似

• Differentiation - 微分

• Discrete/weighted finite automata - 离散/加权有限自动机

• Exponential machines - 指数机器

• Main tensor formats available - 可用的主要张量格式

• Other custom formats - 其他自定义格式

• Polynomial chaos expansions - 多项式混沌扩张

• Tensor arithmetics - 张量算法

• Tensor completion and regression - 张量补全与回归

• Tensor decomposition - 张量分解

• Sensitivity analysis - 敏感性分析

• Vector field data - 矢量场数据

安装

主要依赖项是 NumPy 和 PyTorch。 要下载并安装 tntorch ，请输入：

git clone https://github.com/rballester/tntorch.gitcd tntorchpip install .

测试

我们使用 pytest 进行测试。 简单地运行以下命令即可：

cd tests/pytest

贡献

我们非常欢迎进行pull request。

除了使用问题跟踪器，你也可以通过rballester@ifi.uzh.ch与我联系。

点击阅读原文，查看本文更多内容