TensorLy是一个Python库，旨在使张量学习变得简单易懂。它可以方便地执行张量分解、张量学习和张量代数。其后端系统允许使用NumPy、PyTorch、JAX、TensorFlow或CuPy无缝执行计算，并在CPU或GPU上大规模运行方法。

• 网站： https://tensorly.org
• 源代码： https://github.com/tensorly/传感器
• Jupyter笔记本： https://github.com/JeanKossaifi/tensorly-notebooks（https://github.com/JeanKossaifi/张量-笔记本）

唯一的先决条件是蟒蛇3已安装。最简单的方法是通过水蟒分布.

pip安装-U张量

conda张量安装-c

#克隆存储库git克隆https://github.com/tecd张量#在可编辑模式下使用安装pip安装-e。

注：默认情况下，TensorLy依赖于NumPy。如果您想使用其他后端，则需要单独安装这些软件包。

有关详细说明，请参阅文档.

从NumPy数组创建大小为3 x 4 x 2的三阶小张量，并对其执行简单操作：

进口 张量地 作为 热释光
进口 笨蛋 作为 净现值


张量 = 热释光.张量(净现值.阿兰奇(24).重塑((三,4,2)),数据类型=贸易术语表.浮点64)展开的 = 热释光.展开(张量,模式=0)贸易术语表.折叠(展开的,模式=0,形状=张量.形状)

您还可以创建随机张量：

从 张量地 进口 随机的，随机的

#随机张量
张量 = 随机的，随机的.随机传感器((三,4,2))#因子化形式的随机CP张量
cp_传感器 = 随机的，随机的.随机传感器(形状=(三,4,2),等级=“相同”)

您还可以在TT-format、Tucker等中创建张量，请参见随机张量.

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，但您也可以使用PyTorch、TensorFlow、JAX或CuPy执行计算（需要先安装它们）。例如，将后端设置为PyTorch后，所有计算都由PyTorch完成，张量可以在GPU上创建：

热释光.设置后端(“pytorch”)#或“numpy”、“tensorflow”、“cupy”或“jax”
张量 = 热释光.张量(净现值.阿兰奇(24).重塑((三,4,2)),装置='cuda:0')类型(张量)#火炬。张索尔

应用张量分解很容易：

从 张量地.分解，分解 进口 塔克
#应用塔克分解
塔克传感器 = 塔克(张量,等级=[2,2,2])#从分解形式重建完整张量
热释光.塔克张量(塔克张量)

我们有更多的分解可用，请务必查看！

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，请查看用户指南有关功能及其文档的详细参考，请参阅美国石油学会

如果您看到错误，请打开问题或者更好的是拉式请求!

欢迎所有捐款！因此，如果您想添加一个很酷的张量方法，如果您在文档中发现一个错误，甚至是打字错误，请报告它，更好的是，在上打开Pull-RequestGitHub公司.

在提交更改之前，应该确保代码符合我们的样式指南。最简单的方法是使用“black”：

pip安装黑色黑色.

测试和文档是此软件包的重要组成部分，所有功能都附带唯一测试和文档。

测试是使用pytest测试包裹。首次安装`pytest`：

pip安装pytest

然后要运行测试，只需在终端中运行：

pytest-v张量

或者，您可以指定要为哪个后端运行测试：

TENSORLY_BACKEND='numpy'pytest-v张量

如果你在学术论文中使用TensorLy，请引用¹:

@文章{张量，author={Jean Kossaifi和Yannis Panagakis以及Anima Anandkumar和Maja Pantic}，title={TensorLy:Python中的Tensor学习}，journal={机器学习研究杂志}，年份={2019}，体积={20}，数字={26}，页数={1-6}，url={http://jmlr.org/papers/v20/18-277.html}}