【转（张量分解（一）：基础知识）】[原地址]https://blog.csdn.net/Flying_sfeng/article/details/80817904
前段时间在组里分享了张量分解相关的知识，现在想把它整理成一个系列，供有需要的同学阅读。
下文根据Tensor Decompositions and Applications? 整理，原文比较长，我主要整理了一些比较常用的，有需要的同学可以直接阅读原文。
我们知道，一维的数组叫向量，二维的叫矩阵，三维及三维以上的就是张量了。
如下图，就是一个三阶张量：
文章图片
以下为一些张量相关的基础知识：
1）张量的范数：所有元素的平方和的平方根（类似于矩阵的F范数）
文章图片
2）张量内积：两个相同大小的张量的内积为它们对应元素的乘积之和
文章图片
3）Rank-one tensors：一种特殊的张量类型，如果一个N阶的张量能以N个向量的外积来表示，那么这就是一个Rank-one tensors，具体如下图：
文章图片
文章图片
4）Diagonal tensors:
文章图片
5）张量乘法：
文章图片
6）Kronecker product:
文章图片
7）Khatri-Rao product：其实就是Kronecker product列元素上的匹配：
文章图片
8）Hadamard product：按元素相乘，因此两个tensor的维度必须相同：
文章图片
以上，便是张量分解领域部分比较常见的知识点，下一篇文章，我将讲解一个常见的张量分解算法：CP decomposition.
参考：tensor decompositions and application
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现