关于张量的基本概念及其运算

声明：本文参考下面的博文张量介绍整理而成。

（一）张量及其相关的定义

1、张量定义

张量是一个多维数组。更正式地说，一个 N 阶张量是 N 个向量空间元素的张量积，每个向量空间都有自己的坐标系。
张量的阶数（the order of a tensor）也称为维数（dimensions）、模态（modes）、或方式（ways）。
一阶张量是一个矢量，二阶张量是一个矩阵，三阶或更高阶的张量叫做高阶张量。

2、 纤维（Fibers）定义

纤维(Fibers) 是矩阵的行和列的高阶类似物。（纤维是指从张量中抽取的向量）
例如，矩阵 A 的列为mode-1纤维，行为mode-2纤维；

三阶张量有 列(column) 、行(row) 、管(tube) 纤维。
5

3、 切片（Slices）定义

切片 (Slices) 是一个张量的二维切片，通过固定除两个维度之外的索引来定义。（切片是指从张量中抽取的矩阵）

例如，三阶张量 X的 水平面(horizontal) 、 侧面(lateral) 和 正面(frontal) 的切片。

（一）张量运算

1、矩阵化：将张量转化为矩阵（Matricization: Transforming a Tensor into a Matrix）

矩阵化(Matricization)，也就是所谓的“展开”(unfolding)或“压扁”(flattening)，是将一个 n 维数组中的元素重新排列成一个矩阵的过程。

其中，$X_{(1)}$,$X_{(2)}$和$X_{(3)}$分别是$X_1$和$X_2$按列合并，按行合并，按管合并。
按列合并之后的维度行保持不变，合并新维度：行$\times$列管；（不变的维度变成新矩阵的行）
按行合并之后的维度列保持不变，合并新维度：列$\times$行管；
按管合并之后的维度管保持不变，合并新维度：管$\times$行列；

2、张量乘积：n模乘（Tensor Multiplication : The n-Mode Product）

张量可以相乘，尽管显然它的符号和符号要比矩阵复杂得多。对于张量乘法的完整处理参见：Bader, MATLAB Tensor Classes forFast Algorithm Prototyping,2006.
这里我们只考虑张量n模乘（n-mode product），即用一个张量乘以一个n维矩阵(或向量)。

2.1 n模矩阵积（n-mode matrix product）

（1）定义

(2)例题中的${\times }_1$的意思是，${\text{Y}}_1=\text{U}{\text{X}}_1$,${\text{Y}}_2=\text{U}{\text{X}}_2$；
列是${\times }_1$，行是${\times }_2$，管是${\times }_3$。

（2）基本运算法则

2.2 n模向量积（The n-mode vector product）

注：(2)例题中的${\times }_2$的意思是，${\text{Y}}_1={\text{X}}_1\text{v}$,${\text{Y}}_2={\text{X}}_2\text{v}$；
列是${\times }_1$，行是${\times }_2$，管是${\times }_3$。