矩阵低秩张量分解_【线性代数】张量-张量的计算
本来吧,觉得张量这个东西稍微混一混假装知道个大概就行了。昨天拿到角动量那一章的讲义以后我发现事情并没有那么简单……总而言之,欠下的东西早晚要还的……碎碎念到此结束,进入正题。张量专题初步计划是分三个板块,也许是五个板块?这坑不小,慢慢填吧。
张量的概念
简单地说,张量是一个多重线性映射:
给定一个域
及
上的向量空间
,
是
的共轭空间
[1],
,
是
重空间
和
重空间
的笛卡尔积,所有的
重线性映射
![]()
称为
上的
型,
价(或秩)的
张量。同样,也说
是一个
次共变且
次反变的
混合张量。当
时,说
是
反变的;当
是,说
是
共变的。
特别地,
有限维空间的自反性,在
下实现。当
对一个最简单的混合张量——
不难证明
唯一对应
还要约定
定义。
张量的乘积
首先,设
是任意的多线性型。这意味着
把
和
的张量积理解为映射
![]()
它由公式
![]()
定义。这里要注意,变量
和变量
是没有关系的。
比如
但是(不难验证)它具有结合性:
现在设
上的多线性映射。把这个笛卡尔积与
等同起来。对所有的
上述定义的
(张量)乘积。后面(依照惯例)省略用来区别不同变量类型的分号,需注意。
不难验证张量积具有分配性:
张量的坐标
从上一节对张量以及张量乘积的定义中我们应当意识到区分
相互对偶的基底
这种上下指标的表示是自然的,同时需要(在明确的前提下)注意上指标和指数的区别,在张量分析里这个混淆不太可能出现。
设
注意到
为了引入对称性,(通常)使用哑指标这个概念。所以一些经常接触张量的人会默认逐次求和从而忽略求和号(爱因斯坦约定)。在这里我们不赞成这个约定,不过可以约定不同指标的求和可以用一个求和号来写
求和上下限通常可以经过上下文确定。
设给定一个
称数
是张量
在基
下的
坐标(系数,分量)。
让我们赋予上述定义惯用的思想,在
可分解的
并且,将
构成张量
所以
这恰好是张量
以及线性映射
所以
如果张量
特别的,每个双线性型都应该形如
总而言之,上述命题可以总结为
上的
型张量构成一个
维的向量空间
,它以
![]()
构成一个基,其中
是空间
的一个基,
是
的基(空间
的对偶基)。
存在且唯一地存在一个张量,它具有预先给定地坐标
。
不同坐标系中的张量
类似于线性算子在不同基下的表示,张量在不同的基下也有坐标。这一节我们来看张量在向新的基转化时坐标的变化。设
规定。同时有
同时引入一个辅助矩阵
那么
因此,
由于
现在来求张量
现在,我们可以对张量的定义换一种说法。所谓
空间的张量积
这一块内容在高等代数和物理上都有非常深刻的应用,比如群的表示理论和角动量的耦合理论。更一般的形式在高等代数中再引入(日常挖坑),这里只构造向量空间的张量积。
设
是域
上的向量空间,那么存在
上的一个向量空间
和一个双线性映射
,满足
如果
是线性无关的,且
,那么
![]()
如果
是线性无关的,且
,那么
![]()
![]()
是满射,即
![]()
此外,对于
在如下意义下是具有泛性的:如果任意一个向量空间
和任意一个双线性映射
作成对
,那么存在唯一的线性映射
使得
,有
![]()
这个定理的证明就不写(chao)了,我们主要是理清数学脉络(方便学习量子力学啊喂),具体细节都是书上有的,感兴趣可以自己翻阅(这个理由还可以吧?)。
称给定的空间
唯一确定的(精确到同构)对
是这两个
向量空间的张量乘积。
记
同时,双射
上述同构称为自然同构(标准同构)。同时,分配律也是满足的
为了直观地研究结构,将向量空间的线性算子联系在一起是自然的
设
,称线性算子
是算子
的张量积,按照规则
起作用。
不难验证这些性质是满足的
设
那么在基
记
那么
写成矩阵的形式
对于迹,
对于行列式,
这两个公式在后面群的表示论中会经常使用。
参考
- ^共轭(对偶)空间的概念见 https://zhuanlan.zhihu.com/p/194167945
矩阵低秩张量分解_【线性代数】张量-张量的计算相关推荐
- 7.4.1 矩阵低秩近似、矩阵范数
矩阵低秩近似.矩阵范数 根据奇异值分解,秩为 rrr 的任意矩阵 AAA 可分解为 rrr 个简单矩阵(秩为 111) σiuiviT\sigma_i\mathbf{u}_i\mathbf{v}^T_ ...
- 矩阵低秩张量分解_TKDE 2020 | CTRR:组稀疏约束的紧凑张量环回归
论文标题:Smooth Compact Tensor Ring Regression论文作者:Jiani Liu, Ce Zhu, Yipeng Liu论文链接:https://ieeexplore. ...
- MicroNet: 低秩近似分解卷积以及超强激活函数,碾压MobileNet | 2020新文分析
论文提出应对极低计算量场景的轻量级网络MicroNet,包含两个核心思路Micro-Factorized convolution和Dynamic Shift-Max,Micro-Factorized ...
- 矩阵乘法 算法训练 试题_线性代数入门——矩阵乘法的定义及其意义
系列简介:这个系列文章讲解线性代数的基础内容,注重学习方法的培养.线性代数课程的一个重要特点(也是难点)是概念众多,而且各概念间有着千丝万缕的联系,对于初学者不易理解的问题我们会不惜笔墨加以解释.在内 ...
- 低秩分解(张量分解)
低秩分解(张量分解) 神经网络的 filter 可以看作是四维张量:宽度 w高度 h通道数 c卷积核数 n,由于 c 和 n 对网络结构的整体影响较大,所以基于卷积核(w*h)矩阵信息 ...
- 基于低秩张量的高光谱图像重建理论基础-基础知识学习
原文<基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究> 本文为选择学习的部分章节的节选内容,根据个人学习侧重点,内容有所删减调整. [1]黎波. 基于张量低秩稀疏恢复理论的遥感高光谱图像 ...
- 基于张量秩一分解的多目标跟踪方法
基于张量秩一分解的多目标跟踪方法 张量秩一分解 数据关联 多目标跟踪 读'X. Shi, H.Ling, J.Xing, W.Hu, Multi-target Tracking by Rank-1 T ...
- 张量分解浅谈(四 Tucker 分解)
学完了SVD算法之后,我们继续回到张量几大分解的学习上来,本期学习的主要内容是张量的 Tucker 分解 以及 前面的CP分解还留下一点没有说完,正好一并补齐!后面的公式我将采用颜色标记,红色代表必须 ...
- 基于张量分解的遥感图像恢复及常用高光谱遥感数据集
本文为初期学习总结,本篇文章总结了遥感高光谱图像研究背景.高光谱图像噪声的分类,介绍了基于张量的图像恢复方法及近年来对于张量分解的相关研究,总结了几个常用的图像评价指标,总结了高光谱遥感图像常用的数据 ...
最新文章
- error code [17027]; 流已被关闭;
- Selenium3自动化测试——23.自动发送邮件功能
- 安卓手机如何解压缩文件
- echarts中树图的label的点击_ECharts 堆积木(砖块)游戏
- Flutter学习记录(三、Flutter项目学习navBar的使用)
- dbscan算法_DBSCAN聚类算法探索
- 2014\Province_C_C++_B\6 奇怪的分式
- android 获取视频第一帧作为缩略图
- [LINK]用Python计算昨天、今天和明天的日期时间
- pkpm板按弹性计算还是塑性_双向板按弹性方法还是按塑性方法计算
- eclipse生成变量的快捷键
- 哪些奇葩问题会让程序员抓狂?
- 【数据结构的魅力】003.算法归并与随机快排
- python输出图像plt_Matplotlib(pyplot)savefig输出空白图像
- BUG(0):用某位表示特定属性
- 跨时空的相遇~为她制作一个专属的QQ空间相册(附源代码)
- 什么是Word2Vec?如何有效的表征文本的?
- 一图搞懂梯度、散度、旋度、Jacobian、Hessian、Laplacian之间的关系
- 七大人脉宝典造亿万富翁
- SAP中经遇到溢出如何理解