（七）张量运算

已于 2023-02-21 10:04:03 修改
阅读量2.1k 收藏 21
点赞数 1
分类专栏： 张量分析 文章标签： 抽象代数
于 2022-08-15 22:00:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51453181/article/details/126344707
版权

本文主要内容如下：

1. 张量的代数运算

1.1. 张量的相等

若两个张量 T 与 S \bold{T}与\bold{S} T与S在同一坐标系中的协变分量（逆变分量/混变分量）均一 一对应相等，则称张量 T \bold{T} T等于张量 S \bold{S} S，记作 T = S \bold{T}=\bold{S} T=S。

1.2. 张量的加（减）法

两个张量 T \bold{T} T与 S \bold{S} S在同一坐标系中的协变分量（逆变分量/混变分量）一 一对应相加（减），如
U i j k = T i j k + S i j k U_{ijk}=T_{ijk}+S_{ijk} Uijk​=Tijk​+Sijk​得到的新有序数组满足坐标变换关系:
U i ′ j ′ k ′ = T i ′ j ′ k ′ + S i ′ j ′ k ′ = β i ′ p β j ′ q β k ′ l ( T p q l + S p q l ) = β i ′ p β j ′ q β k ′ l U p q l U_{i'j'k'} =T_{i'j'k'}+S_{i'j'k'} =\beta_{i'}^{p}\beta_{j'}^{q}\beta_{k'}^{l}(T_{pql}+S_{pql}) =\beta_{i'}^{p}\beta_{j'}^{q}\beta_{k'}^{l}U_{pql} Ui′j′k′​=Ti′j′k′​+Si′j′k′​=βi′p​βj′q​βk′l​(Tpql​+Spql​)=βi′p​βj′q​βk′l​Upql​将这种得到新张量的运算方式称之为张量 T \bold{T} T与张量 S \bold{S} S的和（差），记作: U = T ± S \bold{U}=\bold{T}\pm\bold{S} U=T±S即,
U i j k g ⃗ i g ⃗ j g ⃗ k = T i j k g ⃗ i g ⃗ j g ⃗ k + S i j k g ⃗ i g ⃗ j g ⃗ k U_{ijk}\vec{g}^i\vec{g}^j\vec{g}^k=T_{ijk}\vec{g}^i\vec{g}^j\vec{g}^k+S_{ijk}\vec{g}^i\vec{g}^j\vec{g}^k Uijk​g ​ig ​jg ​k=Tijk​g ​ig ​jg ​k+Sijk​g ​ig ​jg ​k

1.3. 张量的数乘

将张量 T \bold{T} T在一坐标系中的协变分量（逆变分量/混变分量）均乘以同一标量 k k k（ k k k不随坐标变化），如
U i j = k T i j U_{ij}=kT_{ij} Uij​=kTij​得到的新有序数组满足坐标变换关系:
U i ′ j ′ = k T i ′ j ′ = β i ′ p β j ′ q k T p q = β i ′ p β j ′ q U p q U_{i'j'} =kT_{i'j'} =\beta_{i'}^{p}\beta_{j'}^{q}kT_{pq} =\beta_{i'}^{p}\beta_{j'}^{q}U_{pq} Ui′j′​=kTi′j′​=βi′p​βj′q​kTpq​=βi′p​βj′q​Upq​将这种得到新张量的运算方式称之为张量 T \bold{T} T与标量 k k k的数乘，记作: U = k T \bold{U}=k\bold{T} U=kT即，
U i j g ⃗ i g ⃗ j = k T i j g ⃗ i g ⃗ j U_{ij}\vec{g}^i\vec{g}^j=kT_{ij}\vec{g}^i\vec{g}^j Uij​g ​ig ​j=kTij​g ​ig ​j

1.4. 张量的并乘

在同一坐标系中，将张量 T \bold{T} T任意形式的分量与张量 S \bold{S} S任意形式的分量两两相乘也可得到新的有序数组，如
U ∙ ∙ ∙ p q l m n i j k = T i j k S p q l m n U^{ijk}_{\bullet\bullet\bullet pqlmn}=T^{ijk}S_{pqlmn} U∙∙∙pqlmnijk​=TijkSpqlmn​显然，新有序数组也满足坐标变换关系:
U ∙ ∙ ∙ p ′ q ′ l ′ m ′ n ′ i ′ j ′ k ′ = T i ′ j ′ k ′ S p ′ q ′ l ′ m ′ n ′ = β a i ′ β b j ′ β c k ′ T a b c β p ′ d β q ′ e β l ′ f β m ′ h β n ′ r S d e f h r = β a i ′ β b j ′ β c k ′ β p ′ d β q ′ e β l ′ f β m ′ h β n ′ r U ∙ ∙ ∙ d e f h r a b c U^{i'j'k'}_{\bullet\bullet\bullet p'q'l'm'n'} =T^{i'j'k'}S_{p'q'l'm'n'} =\beta^{i'}_{a}\beta^{j'}_{b}\beta^{k'}_{c}T^{abc}\beta_{p'}^{d}\beta_{q'}^{e}\beta_{l'}^{f}\beta_{m'}^{h}\beta_{n'}^{r}S_{defhr} =\beta^{i'}_{a}\beta^{j'}_{b}\beta^{k'}_{c}\beta_{p'}^{d}\beta_{q'}^{e}\beta_{l'}^{f}\beta_{m'}^{h}\beta_{n'}^{r}U^{abc}_{\bullet\bullet\bullet defhr} U∙∙∙p′q′l′m′n′i′j′k′​=Ti′j′k′Sp′q′l′m′n′​=βai′​βbj′​βck′​Tabcβp′d​βq′e​βl′f​βm′h​βn′r​Sdefhr​=βai′​βbj′​βck′​βp′d​βq′e​βl′f​βm′h​βn′r​U∙∙∙defhrabc​将这种得到新张量的运算方式称之为张量 T \bold{T} T与张量 S \bold{S} S的并乘/张量乘，记作： U = T S \bold{U}=\bold{T}\bold{S} U=TS即
U = U ∙ ∙ ∙ p q l m n i j k g ⃗ i g ⃗ j g ⃗ k g ⃗ p g ⃗ q g ⃗ l g ⃗ m g ⃗ n = ( T i j k g ⃗ i g ⃗ j g ⃗ k ) ( S p q l m n g ⃗ p g ⃗ q g ⃗ l g ⃗ m g ⃗ n ) = T S \bold{U} =U^{ijk}_{\bullet\bullet\bullet pqlmn}\vec{g}_i\vec{g}_j\vec{g}_k\vec{g}^p\vec{g}^q\vec{g}^l\vec{g}^m\vec{g}^n =(T^{ijk}\vec{g}_i\vec{g}_j\vec{g}_k)(S_{pqlmn}\vec{g}^p\vec{g}^q\vec{g}^l\vec{g}^m\vec{g}^n) =\bold{T}\bold{S} U=U∙∙∙pqlmnijk​g ​i​g ​j​g ​k​g ​pg ​qg ​lg ​mg ​n=(Tijkg ​i​g ​j​g ​k​)(Spqlmn​g ​pg ​qg ​lg ​mg ​n)=TS注意到并乘所得新张量的阶数为参与并乘的张量阶数之和，新张量指标的前后次序上下位置与参与并乘的张量分别保持一致且张量并乘时次序不可随意调换，即 T S ≠ S T \bold{TS}\ne\bold{ST} TS=ST

1.5. 张量的缩并

将张量的基张量中任意两个基矢量进行点积，如对于张量 T \bold{T} T：
T = T ∙ ∙ m n i j g ⃗ i g ⃗ j g ⃗ m g ⃗ n \bold{T}=T^{ij}_{\bullet\bullet mn}\vec{g}_i\vec{g}_j\vec{g}^m\vec{g}^n T=T∙∙mnij​g ​i​g ​j​g ​mg ​n(1) 若第一、二基矢量进行点积：
S = S m n g ⃗ m g ⃗ n = T ∙ ∙ m n i j g i j g ⃗ m g ⃗ n \bold{S}=S_{mn}\vec{g}^m\vec{g}^n=T^{ij}_{\bullet\bullet mn}g_{ij}\vec{g}^m\vec{g}^n S=Smn​g ​mg ​n=T∙∙mnij​gij​g ​mg ​n(2) 若第二、三基矢量进行点积：
P = P ∙ n i g ⃗ i g ⃗ n = T ∙ ∙ m n i j δ j m g ⃗ i g ⃗ n = T ∙ ∙ j n i j g ⃗ i g ⃗ n \bold{P}=P_{\bullet n}^i\vec{g}_i\vec{g}^n=T^{ij}_{\bullet\bullet mn}\delta^{m}_{j}\vec{g}_i\vec{g}^n=T^{ij}_{\bullet\bullet jn}\vec{g}_i\vec{g}^n P=P∙ni​g ​i​g ​n=T∙∙mnij​δjm​g ​i​g ​n=T∙∙jnij​g ​i​g ​n(3) 若第三、四基矢量进行点积：
Q = Q i j g ⃗ i g ⃗ j = T ∙ ∙ m n i j g m n g ⃗ i g ⃗ j \bold{Q}=Q^{ij}\vec{g}_i\vec{g}_j=T^{ij}_{\bullet\bullet mn}g^{mn}\vec{g}_i\vec{g}_j Q=Qijg ​i​g ​j​=T∙∙mnij​gmng ​i​g ​j​得到的新有序数组满足坐标变换关系:
（ 1 ） S m ′ n ′ = T ∙ ∙ m ′ n ′ i ′ j ′ g i ′ j ′ = β a i ′ β b j ′ β m ′ c β n ′ d T ∙ ∙ c d a b g i ′ j ′ = β m ′ c β n ′ d T ∙ ∙ c d a b g a b = β m ′ c β n ′ d S c d   （ 2 ） P ∙ n ′ i ′ = T ∙ ∙ m ′ n ′ i ′ j ′ δ m ′ j ′ = β a i ′ β b j ′ β m ′ c β n ′ d T ∙ ∙ c d a b δ m ′ j ′ = β a i ′ β b j ′ β j ′ c β n ′ d T ∙ ∙ c d a b = β a i ′ β n ′ d T ∙ ∙ c d a b δ b c = β a i ′ β n ′ d T ∙ ∙ b d a b = β a i ′ β n ′ d P ∙ d a   （ 3 ） Q i ′ j ′ = T ∙ ∙ m ′ n ′ i ′ j ′ g m ′ n ′ = β a i ′ β b j ′ β m ′ c β n ′ d T ∙ ∙ c d a b g m ′ n ′ = β a i ′ β b j ′ T ∙ ∙ c d a b g c d = β a i ′ β b j ′ Q a b （1） S_{m'n'} =T^{i'j'}_{\bullet\bullet m'n'}g_{i'j'} =\beta^{i'}_{a}\beta^{j'}_{b}\beta_{m'}^{c}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd}g_{i'j'} =\beta_{m'}^{c}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd}g_{ab} =\beta_{m'}^{c}\beta_{n'}^{d}S_{cd}\\\ \\ （2）P_{\bullet n'}^{i'} =T^{i'j'}_{\bullet\bullet m'n'}\delta^{j'}_{m'} =\beta^{i'}_{a}\beta^{j'}_{b}\beta_{m'}^{c}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd}\delta^{j'}_{m'} =\beta^{i'}_{a}\beta^{j'}_{b}\beta_{j'}^{c}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd} =\beta^{i'}_{a}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd}\delta^{c}_{b} =\beta^{i'}_{a}\beta_{n'}^{d}T^{ab}_{\bullet\bullet bd} =\beta^{i'}_{a}\beta_{n'}^{d}P_{\bullet d}^{a}\\\ \\ （3）Q^{i'j'} =T^{i'j'}_{\bullet\bullet m'n'}g^{m'n'} =\beta^{i'}_{a}\beta^{j'}_{b}\beta_{m'}^{c}\beta_{n'}^{d}T^{ab}_{\bullet\bullet cd}g^{m'n'} =\beta^{i'}_{a}\beta^{j'}_{b}T^{ab}_{\bullet\bullet cd}g^{cd} =\beta^{i'}_{a}\beta^{j'}_{b}Q^{ab} （1）Sm′n′​=T∙∙m′n′i′j′​gi′j′​=βai′​βbj′​βm′c​βn′d​T∙∙cdab​gi′j′​=βm′c​βn′d​T∙∙cdab​gab​=βm′c​βn′d​Scd​ （2）P∙n′i′​=T∙∙m′n′i′j′​δm′j′​=βai′​βbj′​βm′c​βn′d​T∙∙cdab​δm′j′​=βai′​βbj′​βj′c​βn′d​T∙∙cdab​=βai′​βn′d​T∙∙cdab​δbc​=βai′​βn′d​T∙∙bdab​=βai′​βn′d​P∙da​ （3）Qi′j′=T∙∙m′n′i′j′​gm′n′=βai′​βbj′​βm′c​βn′d​T∙∙cdab​gm′n′=βai′​βbj′​T∙∙cdab​gcd=βai′​βbj′​Qab将这种得到新张量的运算方式称之为张量 T \bold{T} T的缩并。
注意到：每缩并一次，张量阶数降低两阶。

1.6. 张量的点积/内积

前张量的最后的基矢量与后矢量的第一个基矢量进行点积，该运算称作张量的点积/内积，显然该运算得到的结果仍然是张量，因张量的点积等价于张量并乘后进行相应地缩并运算。记作：
U = T ∙ S \bold{U}=\bold{T}\bullet\bold{S} U=T∙S如，
T ∙ S = T i j g ⃗ i g ⃗ j ∙ S m n g ⃗ m g ⃗ n = T i j g ⃗ i S m n g ⃗ n δ j m = T i j S j n g ⃗ i g ⃗ n = U ∙ n i g ⃗ i g ⃗ n \bold{T}\bullet\bold{S} =T^{ij}\vec{g}_i\vec{g}_j\bullet S_{mn}\vec{g}^m\vec{g}^n =T^{ij}\vec{g}_iS_{mn}\vec{g}^n\delta_j^m =T^{ij}S_{jn}\vec{g}_i\vec{g}^n =U^i_{\bullet n}\vec{g}_i\vec{g}^n T∙S=Tijg ​i​g ​j​∙Smn​g ​mg ​n=Tijg ​i​Smn​g ​nδjm​=TijSjn​g ​i​g ​n=U∙ni​g ​i​g ​n若将张量并乘后连续进行两次点积则称该运算为双点积，包括两种情形，举例进行说明：
（1）并联式： T : S = T i j S m n δ m i δ n j = T i j S i j （前前后后） \bold{T}:\bold{S}=T^{ij}S_{mn}\delta^i_m\delta^j_n=T^{ij}S_{ij}\qquad（前前后后） T:S=TijSmn​δmi​δnj​=TijSij​（前前后后）（2）串联式： T ∙ ∙ S = T i j S m n δ m j δ n i = T i j S j i （内内外外） \bold{T}\bullet\bullet\bold{S}=T^{ij}S_{mn}\delta^j_m\delta^i_n=T^{ij}S_{ji}\qquad（内内外外） T∙∙S=TijSmn​δmj​δni​=TijSji​（内内外外）显然，同样张量的串、并联式的计算结果不同且张量点积与点乘次序相关。

1.7. 张量的叉积/矢积

1.7.1. 矢量的叉积

根据基矢量的叉积可得出任意矢量的叉积计算：
c ⃗ = a ⃗ × b ⃗ = a i g ⃗ i × b j g ⃗ j = a i b j ( g ⃗ i × g ⃗ j ) = a i b j ϵ i j k g ⃗ k = c k g ⃗ k ⟹ c k = a i b j ϵ i j k   c ⃗ = a ⃗ × b ⃗ = a i g ⃗ i × b j g ⃗ j = a i b j ( g ⃗ i × g ⃗ j ) = a i b j ϵ i j k g ⃗ k = c k g ⃗ k ⟹ c k = a i b j ϵ i j k \vec{c}=\vec{a}\times\vec{b} =a^i\vec{g}_i\times b^j\vec{g}_j =a^ib^j(\vec{g}_i\times\vec{g}_j) =a^ib^j\epsilon_{ijk}\vec{g}^k =c_k\vec{g}^k \Longrightarrow c_k=a^ib^j\epsilon_{ijk} \\\ \\ \vec{c}=\vec{a}\times\vec{b} =a_i\vec{g}^i\times b_j\vec{g}^j =a_ib_j(\vec{g}^i\times\vec{g}^j) =a_ib_j\epsilon^{ijk}\vec{g}_k =c^k\vec{g}_k \Longrightarrow c^k=a_ib_j\epsilon^{ijk} c =a ×b =aig ​i​×bjg ​j​=aibj(g ​i​×g ​j​)=aibjϵijk​g ​k=ck​g ​k⟹ck​=aibjϵijk​ c =a ×b =ai​g ​i×bj​g ​j=ai​bj​(g ​i×g ​j)=ai​bj​ϵijkg ​k​=ckg ​k​⟹ck=ai​bj​ϵijk此外，可通过并联式双点积进行向量叉积的表示：
ϵ : a ⃗ b ⃗ = ( ϵ p q l g ⃗ p g ⃗ q g ⃗ l ) : ( a i b j g ⃗ i g ⃗ j ) = ϵ p q l a i b j δ i q δ j l g ⃗ p = a i b j ϵ i j p g ⃗ p = a ⃗ × b ⃗ = − a ⃗ ⋅ ϵ ⋅ b ⃗ = b ⃗ ⋅ ϵ ⋅ a ⃗   a ⃗ b ⃗ : ϵ = ( a i b j g ⃗ i g ⃗ j ) : ( ϵ p q l g ⃗ p g ⃗ q g ⃗ l ) = ϵ p q l a i b j δ i p δ j q g ⃗ l = a i b j ϵ i j l g ⃗ l = a ⃗ × b ⃗ \epsilon:\vec{a}\vec{b} =(\epsilon_{pql}\vec{g}^p\vec{g}^q\vec{g}^l):(a^ib^j\vec{g}_i\vec{g}_j) =\epsilon_{pql}a^ib^j\delta^q_i\delta^l_j\vec{g}^p =a^ib^j\epsilon_{ijp}\vec{g}^p =\vec{a}\times\vec{b} =-\vec{a}\cdot\epsilon\cdot\vec{b} =\vec{b}\cdot\epsilon\cdot\vec{a}\\\ \\ \vec{a}\vec{b}:\epsilon =(a^ib^j\vec{g}_i\vec{g}_j):(\epsilon_{pql}\vec{g}^p\vec{g}^q\vec{g}^l) =\epsilon_{pql}a^ib^j\delta^p_i\delta^q_j\vec{g}^l =a^ib^j\epsilon_{ijl}\vec{g}^l =\vec{a}\times\vec{b} ϵ:a b =(ϵpql​g ​pg ​qg ​l):(aibjg ​i​g ​j​)=ϵpql​aibjδiq​δjl​g ​p=aibjϵijp​g ​p=a ×b =−a ⋅ϵ⋅b =b ⋅ϵ⋅a  a b :ϵ=(aibjg ​i​g ​j​):(ϵpql​g ​pg ​qg ​l)=ϵpql​aibjδip​δjq​g ​l=aibjϵijl​g ​l=a ×b

1.7.2. 矢量的混合积

( a ⃗ × b ⃗ ) ∙ c ⃗ = ( a i b j ϵ i j k g ⃗ k ) ∙ ( c h g ⃗ h ) = a i b j c k ϵ i j k = a ⃗ b ⃗ c ⃗   ⋮   ϵ = ϵ   ⋮   a ⃗ b ⃗ c ⃗   ( a ⃗ × b ⃗ ) ∙ c ⃗ = ( a i b j ϵ i j k g ⃗ k ) ∙ ( c h g ⃗ h ) = a i b j c k ϵ i j k = a ⃗ b ⃗ c ⃗   ⋮   ϵ = ϵ   ⋮   a ⃗ b ⃗ c ⃗ (\vec{a}\times\vec{b})\bullet\vec{c} =(a^ib^j\epsilon_{ijk}\vec{g}^k)\bullet(c^h\vec{g}_h)=a^ib^jc^k\epsilon_{ijk} =\vec{a}\vec{b}\vec{c}\ \vdots\ \epsilon =\epsilon\ \vdots\ \vec{a}\vec{b}\vec{c}\\\ \\ (\vec{a}\times\vec{b})\bullet\vec{c} =(a_ib_j\epsilon^{ijk}\vec{g}_k)\bullet(c_h\vec{g}^h)=a_ib_jc_k\epsilon^{ijk} =\vec{a}\vec{b}\vec{c}\ \vdots\ \epsilon =\epsilon\ \vdots\ \vec{a}\vec{b}\vec{c} (a ×b )∙c =(aibjϵijk​g ​k)∙(chg ​h​)=aibjckϵijk​=a b c  ⋮ ϵ=ϵ ⋮ a b c  (a ×b )∙c =(ai​bj​ϵijkg ​k​)∙(ch​g ​h)=ai​bj​ck​ϵijk=a b c  ⋮ ϵ=ϵ ⋮ a b c 另外推知：
（1）混合积中点积与叉积的位置可互换；
（2）参与混合积的向量可依次交换位置而不改变混合积的值。即：
a ⃗ ∙ ( b ⃗ × c ⃗ ) = ( b ⃗ × c ⃗ ) ∙ a ⃗ = ϵ   ⋮   b ⃗ c ⃗ a ⃗ = a k b i c j ϵ k i j = ϵ   ⋮   a ⃗ b ⃗ c ⃗ = ( a ⃗ × b ⃗ ) ∙ c ⃗ ⟹ a ⃗ ∙ ( b ⃗ × c ⃗ ) = ( a ⃗ × b ⃗ ) ∙ c ⃗   ( a ⃗ × b ⃗ ) ∙ c ⃗ = ( b ⃗ × c ⃗ ) ∙ a ⃗ = ( c ⃗ × a ⃗ ) ∙ b ⃗ = a i b j c k ϵ i j k \vec{a}\bullet(\vec{b}\times\vec{c}) =(\vec{b}\times\vec{c})\bullet\vec{a} =\epsilon\ \vdots\ \vec{b}\vec{c}\vec{a} =a^kb^ic^j\epsilon_{kij} =\epsilon\ \vdots\ \vec{a}\vec{b}\vec{c} =(\vec{a}\times\vec{b})\bullet\vec{c} \Longrightarrow \vec{a}\bullet(\vec{b}\times\vec{c})=(\vec{a}\times\vec{b})\bullet\vec{c}\\\ \\ (\vec{a}\times\vec{b})\bullet\vec{c} =(\vec{b}\times\vec{c})\bullet\vec{a} =(\vec{c}\times\vec{a})\bullet\vec{b} =a_ib_jc_k\epsilon^{ijk} a ∙(b ×c )=(b ×c )∙a =ϵ ⋮ b c a =akbicjϵkij​=ϵ ⋮ a b c =(a ×b )∙c ⟹a ∙(b ×c )=(a ×b )∙c  (a ×b )∙c =(b ×c )∙a =(c ×a )∙b =ai​bj​ck​ϵijk

1.7.3. 矢量的三重叉积

f ⃗ = ( a ⃗ × b ⃗ ) × c ⃗ = ( a i b j ϵ i j k g ⃗ k ) × ( c p g ⃗ p ) = a i b j c p ϵ i j k ϵ p q k g ⃗ q = f q g ⃗ q ⟹ f q = a i b j c p ϵ i j k ϵ p q k   f ⃗ = ( a ⃗ × b ⃗ ) × c ⃗ = ( a i b j ϵ i j k g ⃗ k ) × ( c p g ⃗ p ) = a i b j c p ϵ i j k ϵ p q k g ⃗ q = f q g ⃗ q ⟹ f q = a i b j c p ϵ i j k ϵ p q k   f ⃗ = a ⃗ × ( b ⃗ × c ⃗ ) = ( a i g ⃗ i ) × ( b j c p ϵ j p k g ⃗ k ) = a i b j c p ϵ j p k ϵ i k q g ⃗ q = f q g ⃗ q ⟹ f q = a i b j c p ϵ j p k ϵ q i k   f ⃗ = a ⃗ × ( b ⃗ × c ⃗ ) = ( a i g ⃗ i ) × ( b j c p ϵ j p k g ⃗ k ) = a i b j c p ϵ j p k ϵ i k q g ⃗ q = f q g ⃗ q ⟹ f q = a i b j c p ϵ j p k ϵ q i k \vec{f} =(\vec{a}\times\vec{b})\times\vec{c} =(a^ib^j\epsilon_{ijk}\vec{g}^k)\times(c_p\vec{g}^p) =a^ib^jc_p\epsilon_{ijk}\epsilon^{pqk}\vec{g}_q =f^q\vec{g}_{q} \Longrightarrow f^q=a^ib^jc_p\epsilon_{ijk}\epsilon^{pqk}\\\ \\ \vec{f} =(\vec{a}\times\vec{b})\times\vec{c} =(a_ib_j\epsilon^{ijk}\vec{g}_k)\times(c^p\vec{g}_p) =a_ib_jc^p\epsilon^{ijk}\epsilon_{pqk}\vec{g}^q =f_q\vec{g}^{q} \Longrightarrow f_q=a_ib_jc^p\epsilon^{ijk}\epsilon_{pqk}\\\ \\ \vec{f} =\vec{a}\times(\vec{b}\times\vec{c}) =(a^i\vec{g}_i)\times(b_jc_p\epsilon^{jpk}\vec{g}_k) =a^ib_jc_p\epsilon^{jpk}\epsilon_{ikq}\vec{g}^q =f_q\vec{g}^{q} \Longrightarrow f_q=a^ib_jc_p\epsilon^{jpk}\epsilon_{qik}\\\ \\ \vec{f} =\vec{a}\times(\vec{b}\times\vec{c}) =(a_i\vec{g}^i)\times(b^jc^p\epsilon_{jpk}\vec{g}^k) =a_ib^jc^p\epsilon_{jpk}\epsilon^{ikq}\vec{g}_q =f^q\vec{g}_{q} \Longrightarrow f^q=a_ib^jc^p\epsilon_{jpk}\epsilon^{qik} f ​=(a ×b )×c =(aibjϵijk​g ​k)×(cp​g ​p)=aibjcp​ϵijk​ϵpqkg ​q​=fqg ​q​⟹fq=aibjcp​ϵijk​ϵpqk f ​=(a ×b )×c =(ai​bj​ϵijkg ​k​)×(cpg ​p​)=ai​bj​cpϵijkϵpqk​g ​q=fq​g ​q⟹fq​=ai​bj​cpϵijkϵpqk​ f ​=a ×(b ×c )=(aig ​i​)×(bj​cp​ϵjpkg ​k​)=aibj​cp​ϵjpkϵikq​g ​q=fq​g ​q⟹fq​=aibj​cp​ϵjpkϵqik​ f ​=a ×(b ×c )=(ai​g ​i)×(bjcpϵjpk​g ​k)=ai​bjcpϵjpk​ϵikqg ​q​=fqg ​q​⟹fq=ai​bjcpϵjpk​ϵqik由此可知：三重叉积不具有结合律，即： ( a ⃗ × b ⃗ ) × c ⃗ ≠ a ⃗ × ( b ⃗ × c ⃗ ) (\vec{a}\times\vec{b})\times\vec{c}\ne\vec{a}\times(\vec{b}\times\vec{c}) (a ×b )×c =a ×(b ×c )另外，由 ϵ ∼ δ \epsilon\sim\delta ϵ∼δ 关系式：
( a ⃗ × b ⃗ ) × c ⃗ = a i b j c p ϵ i j k ϵ p q k g ⃗ q = a i b j c p ( δ p i δ q j − δ q i δ p j ) g ⃗ q = ( a i c i ) ( b j g ⃗ j ) − ( b j c j ) a i g ⃗ i = ( a ⃗ ∙ c ⃗ ) b ⃗ − ( b ⃗ ∙ c ⃗ ) a ⃗   a ⃗ × ( b ⃗ × c ⃗ ) = a i b j c p ϵ j p k ϵ q i k g ⃗ q = a i b j c p ( δ j q δ p i − δ p q δ j i ) g ⃗ q = ( a i c i ) ( b j g ⃗ j ) − ( a i b i ) ( c q g ⃗ q ) = ( a ⃗ ∙ c ⃗ ) b ⃗ − ( a ⃗ ∙ b ⃗ ) c ⃗ (\vec{a}\times\vec{b})\times\vec{c} =a^ib^jc_p\epsilon_{ijk}\epsilon^{pqk}\vec{g}_q =a^ib^jc_p(\delta^i_p\delta^j_q-\delta^i_q\delta^j_p)\vec{g}_q =(a^ic_i)(b^j\vec{g}_j)-(b^jc_j)a^i\vec{g}_i =(\vec{a}\bullet\vec{c})\vec{b}-(\vec{b}\bullet\vec{c})\vec{a}\\\ \\ \vec{a}\times(\vec{b}\times\vec{c}) =a_ib^jc^p\epsilon_{jpk}\epsilon^{qik}\vec{g}_q =a_ib^jc^p(\delta^q_j\delta^i_p-\delta^q_p\delta^i_j)\vec{g}_q =(a_ic^i)(b^j\vec{g}_j)-(a_ib^i)(c^q\vec{g}_q) =(\vec{a}\bullet\vec{c})\vec{b}-(\vec{a}\bullet\vec{b})\vec{c} (a ×b )×c =aibjcp​ϵijk​ϵpqkg ​q​=aibjcp​(δpi​δqj​−δqi​δpj​)g ​q​=(aici​)(bjg ​j​)−(bjcj​)aig ​i​=(a ∙c )b −(b ∙c )a  a ×(b ×c )=ai​bjcpϵjpk​ϵqikg ​q​=ai​bjcp(δjq​δpi​−δpq​δji​)g ​q​=(ai​ci)(bjg ​j​)−(ai​bi)(cqg ​q​)=(a ∙c )b −(a ∙b )c

1.7.4. 张量的叉积

类似于矢量的叉积同样可以定义张量的叉积，以二阶张量为例进行演算来说明问题：
U = T × S = T i j g ⃗ i g ⃗ j × S p q g ⃗ p g ⃗ q = T i j S p q ϵ j p k g ⃗ i g ⃗ k g ⃗ q = U ∙ k i ∙ q g ⃗ i g ⃗ k g ⃗ q \bold{U} =\bold{T}\times\bold{S} =T^{ij}\vec{g}_i\vec{g}_j\times S^{pq}\vec{g}_p\vec{g}_q =T^{ij}S^{pq}\epsilon_{jpk}\vec{g}_i\vec{g}^k\vec{g}_q =U^{i\bullet q}_{\bullet k}\vec{g}_i\vec{g}^k\vec{g}_q U=T×S=Tijg ​i​g ​j​×Spqg ​p​g ​q​=TijSpqϵjpk​g ​i​g ​kg ​q​=U∙ki∙q​g ​i​g ​kg ​q​叉积得到的物理量仍为张量，因其满足坐标转换关系：
U ∙ k ′ i ′ ∙ q ′ = T i ′ j ′ S p ′ q ′ ϵ j ′ p ′ k ′ = ( β a i ′ β b j ′ T a b ) ( β c p ′ β d q ′ S c d ) ( β j ′ e β p ′ f β k ′ h ϵ e f h ) = β a i ′ β d q ′ β k ′ h δ b e δ c f T a b S c d ϵ e f h = β a i ′ β d q ′ β k ′ h T a b S c d ϵ b c h = β a i ′ β d q ′ β k ′ h U ∙ h a ∙ d U^{i'\bullet q'}_{\bullet k'} =T^{i'j'}S^{p'q'}\epsilon_{j'p'k'} =(\beta^{i'}_{a}\beta^{j'}_{b}T^{ab})(\beta^{p'}_{c}\beta^{q'}_{d}S^{cd})(\beta_{j'}^{e}\beta_{p'}^{f}\beta_{k'}^{h}\epsilon_{efh}) =\beta^{i'}_{a}\beta^{q'}_{d}\beta_{k'}^{h}\delta_{b}^{e}\delta_{c}^{f}T^{ab}S^{cd}\epsilon_{efh} =\beta^{i'}_{a}\beta^{q'}_{d}\beta_{k'}^{h}T^{ab}S^{cd}\epsilon_{bch} =\beta^{i'}_{a}\beta^{q'}_{d}\beta_{k'}^{h}U^{a\bullet d}_{\bullet h} U∙k′i′∙q′​=Ti′j′Sp′q′ϵj′p′k′​=(βai′​βbj′​Tab)(βcp′​βdq′​Scd)(βj′e​βp′f​βk′h​ϵefh​)=βai′​βdq′​βk′h​δbe​δcf​TabScdϵefh​=βai′​βdq′​βk′h​TabScdϵbch​=βai′​βdq′​βk′h​U∙ha∙d​显然，m阶张量与n阶张量的叉积结果为（m+n-1）阶张量。

1.8. 张量的商法则

若某有序数组与任意p阶张量的“内积”均为q阶张量则该有序数组应为(p+q)阶张量。以下面的情形来说明该法则的正确性：
设一个五指标的数组与任意二阶张量点积均可得到三阶张量，即： T ( i , j , k , m , n ) S m n = P i j k T(i,j,k,m,n)S^{mn}=P^{ijk} T(i,j,k,m,n)Smn=Pijk则
T ( i ′ , j ′ , k ′ , m ′ , n ′ ) S m ′ n ′ = P i ′ j ′ k ′ = β p i ′ β q j ′ β l k ′ P p q l = β p i ′ β q j ′ β l k ′ T ( p , q , l , u , v ) S u v = β p i ′ β q j ′ β l k ′ β m ′ u β n ′ v T ( p , q , l , u , v ) S m ′ n ′ T(i',j',k',m',n')S^{m'n'} =P^{i'j'k'} =\beta^{i'}_{p}\beta^{j'}_q\beta^{k'}_{l}P^{pql} =\beta^{i'}_{p}\beta^{j'}_q\beta^{k'}_{l}T(p,q,l,u,v)S^{uv} =\beta^{i'}_{p}\beta^{j'}_q\beta^{k'}_{l}\beta_{m'}^{u}\beta_{n'}^{v}T(p,q,l,u,v)S^{m'n'} T(i′,j′,k′,m′,n′)Sm′n′=Pi′j′k′=βpi′​βqj′​βlk′​Ppql=βpi′​βqj′​βlk′​T(p,q,l,u,v)Suv=βpi′​βqj′​βlk′​βm′u​βn′v​T(p,q,l,u,v)Sm′n′则
[ T ( i ′ , j ′ , k ′ , m ′ , n ′ ) − β p i ′ β q j ′ β l k ′ β m ′ u β n ′ v T ( p , q , l , u , v ) ] S m ′ n ′ = 0 [T(i',j',k',m',n')-\beta^{i'}_{p}\beta^{j'}_q\beta^{k'}_{l}\beta_{m'}^{u}\beta_{n'}^{v}T(p,q,l,u,v)]S^{m'n'}=0 [T(i′,j′,k′,m′,n′)−βpi′​βqj′​βlk′​βm′u​βn′v​T(p,q,l,u,v)]Sm′n′=0由 S m ′ n ′ S^{m'n'} Sm′n′的任意性可得：
T ( i ′ , j ′ , k ′ , m ′ , n ′ ) = β p i ′ β q j ′ β l k ′ β m ′ u β n ′ v T ( p , q , l , u , v ) T(i',j',k',m',n')=\beta^{i'}_{p}\beta^{j'}_q\beta^{k'}_{l}\beta_{m'}^{u}\beta_{n'}^{v}T(p,q,l,u,v) T(i′,j′,k′,m′,n′)=βpi′​βqj′​βlk′​βm′u​βn′v​T(p,q,l,u,v)说明 T \bold T T 满足坐标变换关系，故其应为五阶张量。

2. 张量的转置

2.1. 张量的转置运算

保持某张量的基矢量排列次序不变而调换张量分量的指标前后次序且不改变指标的协逆变性质可得到一个新的张量，该新张量称作原张量的转置张量。显然，对于高阶张量，对不同指标进行转置结果不同。

2.2. 张量的对称化与反对称化

  • 对某张量的两指标 i , j i,j i,j进行转置运算，若原张量与转置张量相等，则称原张量对指标 i , j i,j i,j具有对称性，或者说关于指标 i , j i,j i,j，原张量为对称张量；
  • 对某张量的两指标 i , j i,j i,j进行转置运算，若原张量与转置张量相差一负号，则称原张量对指标 i , j i,j i,j具有反对称性，或者说关于指标 i , j i,j i,j，原张量为反对称张量；

根据张量的反对称性，可推知：反对称张量的对角元素为零，所谓张量的对角元素是指两个协逆变性质相同的指标取值相同时所对应的一组张量分量。

任取张量 T \bold{T} T，对于指标 i , j i,j i,j进行转置运算得到张量 S \bold{S} S，那么张量 P = T + S 2 ( 张量的对称化运算 ) \bold{P}=\frac{\bold{T}+\bold{S}}{2}\qquad(张量的对称化运算) P=2T+S​(张量的对称化运算)关于指标 i , j i,j i,j为一对称张量。而张量 Q = T − S 2 ( 张量的反对称化运算 ) \bold{Q}=\frac{\bold{T}-\bold{S}}{2}\qquad(张量的反对称化运算) Q=2T−S​(张量的反对称化运算)关于指标 i , j i,j i,j为一反对称张量。

证明：因 S i j = T j i S^{ij}=T^{ji} Sij=Tji故
( P i j ) T = [ T i j + S i j 2 ] T = T j i + S j i 2 = T j i + T i j 2 = S i j + T i j 2 = P i j (P^{ij})^T =\left[\frac{T^{ij}+S^{ij}}{2}\right]^T =\frac{T^{ji}+S^{ji}}{2} =\frac{T^{ji}+T^{ij}}{2} =\frac{S^{ij}+T^{ij}}{2} =P^{ij} (Pij)T=[2Tij+Sij​]T=2Tji+Sji​=2Tji+Tij​=2Sij+Tij​=Pij同理
( Q i j ) T = [ T i j − S i j 2 ] T = T j i − S j i 2 = T j i − T i j 2 = S i j − T i j 2 = − T i j − S i j 2 = − Q i j (Q^{ij})^T =\left[\frac{T^{ij}-S^{ij}}{2}\right]^T =\frac{T^{ji}-S^{ji}}{2} =\frac{T^{ji}-T^{ij}}{2} =\frac{S^{ij}-T^{ij}}{2} =-\frac{T^{ij}-S^{ij}}{2} =-Q^{ij} (Qij)T=[2Tij−Sij​]T=2Tji−Sji​=2Tji−Tij​=2Sij−Tij​=−2Tij−Sij​=−Qij另外 T = P + Q \bold{T=P+Q} T=P+Q即任意张量关于任意两指标可分解为对称部分与反对称部分。

Albert M
关注
  • 1
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
张量概念及其基本运算PPT课件.pptx
10-08
张量概念及其基本运算PPT课件.pptx
Marr2x.zip_Marr小波_marr_张量运算
07-15
本程序二维Marr张量小波求小波基的运算，并有绘图命令相辅助实现
张量分析学习笔记四——张量的基本运算法则
JT的博客
02-29 950
张量分析学习笔记
hptt, 高性能张量转置库.zip
09-17
hptt, 高性能张量转置库 高性能张量转置库HPTT是用于一般形式out-of-place张量转换的高性能 C 库： 其中，A 和B 分别表示输入和输出张量； 表示用户指定的转换，以及 和 为标量( 例如，设置 != 0允许用户更新输出张量B
TensorFlow学习笔记--（2）张量的常用运算函数
薛定谔的博客更新速率。
11-08 795
例如 tf.square([[3 3 3]]) = [[9 9 9]]3x2矩阵 X 2x3矩阵 = 3x3矩阵。
3.2 张量的操作及运算
liupc的学习笔记
09-12 2582
一、张量的操作：拼接、切分、索引和变换 点击此处返回总目录 二、张量的数学运算 三、线性回归 一、张量的操作：拼接、切分、索引和变换 1. 张量的拼接 张量的拼接有两个方法，cat()和stack()。但是他们的不同是，cat不会扩张张量的维度，而stack()会扩张张量的维度。 1.1 torch.cat(tensors, dim=0, o...
神经网络的数学基础：张量运算
亨利王的博客
04-13 4573
通过上一篇的内容，我们知道了张量表示神经网络中的数据，那么数据在网络中流动必然要经过各种运算或者叫做处理，这一系列的处理就是达到最终结果的过程。可以形象把中间的变换称为神经网络的“齿轮”，或者叫做张量运算。就像二进制运算有逻辑与(AND),或(OR),异或(NOR)一样，张量运算有以下几种： 逐元素运算 张量点积 广播 张量变形 1. 逐元素运算 relu运算和加法(减法)都是逐元素（elem...
张量计算【Tensor Computation】
just do something
02-13 1246
简单理解，张量就是一个多维数组，张量计算在众多领域均有体现。
Pytorch快速入门系列---（一）张量及运算
qq_42681787的博客
03-06 2826
在上面的例子中，我们演示了如何调用pytorch中的函数查看、修改默认数据类型，但是这种修改是全局的，如何我们想要把一个张量a（32位浮点型）转换为16位有符号整型但是又不影响其他张量的数据类型怎么办呢？我们接着看下面一个例子。torch.sort()函数：对一维张量进行排序，或者对高维张量在指定的维度进行排序，在输出排序结果的同时，还会输出对应的值在原始位置的索引。张量计算主要包括张量之间的大小比较、张量的基本运算（元素之间的运算和矩阵之间的运算）、张量与统计相关的运算（排序、最大值、最小值）
深度学习入门：张量的基本操作
apprentice_eye的博客
05-27 406
经过前面的讲解，相信大家可能已经知道什么是张量了，也知道了张量的创建方法，现在我们就来了解一下张量的运算，包括+,-,*,/,**这五种基本按元素运算，再加上索引和切片操作以及向量点积与矩阵乘法。关于拼接操作与广播机制，我会放到下一篇文章与下下一篇文章中进行讲述。好的小伙伴们，那就让我们开始今天的旅程吧！
张量的操作和运算
天道酬勤
06-25 1745
张量计算是一种在数学和计算机科学中广泛应用的概念。张量可以被理解为多维数组或矩阵的推广，它在许多领域，如线性代数、物理学、计算机视觉、机器学习和深度学习中都有重要的应用。在张量计算中，常常会涉及到一些基本的操作，例如张量的加法、减法、乘法和除法，以及与标量的乘法和除法。这些操作可以用来进行张量的组合、变换和运算。在线性代数中，张量可以表示为多维向量空间中的对象，其在坐标系中的表示方式是一个多维数组。根据张量的阶（即张量的维数），可以分为标量（零阶张量）、向量（一阶张量）、矩阵（二阶张量）和高阶张量等。
张量的线性代数运算.zip
03-03
因此，本节在介绍张量的线性代数运算时，也会回顾基本的矩阵运算，及其基本线性代数的数学理论基础，以期在强化张量的线性代数运算过程中，也进一步夯实同学的线性代数数学基础。 另外，在实际的深度学习建模过程中...
tensor.js:矩阵和张量运算
05-02
我打包了一些基本的矩阵和张量运算，因为我厌倦了一遍又一遍地写它们。 用法 Node.js $ npm install tensor var tensor = require ( 'tensor' ) ; 浏览器 < script src =" dist/tensor.min.js " type =" text/...
考研数二第八讲 函数的可导性与连续性之间的关系以及高级函数求导
程序员路同学
03-24 1419
考研数二第八讲 函数的可导性与连续性之间的关系以及高级函数求导
UPS、蓄电池、空开、电缆配置计算方法.pptx
04-27
5G通信行业、网络优化、通信工程建设资料
node-v7.4.0.tar.xz
最新发布
04-27
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
Unity mesh减面工具 Mesh Simplify 1.12
04-27
Unity mesh减面工具 Mesh Simplify 1.12
基于Springboot+Vue酒店客房入住管理系统-毕业源码案例设计.zip
04-27
网络技术和计算机技术发展至今，已经拥有了深厚的理论基础，并在现实中进行了充分运用，尤其是基于计算机运行的软件更是受到各界的关注。加上现在人们已经步入信息时代，所以对于信息的宣传和管理就很关键。系统化是必要的，设计网上系统不仅会节约人力和管理成本，还会安全保存庞大的数据量，对于信息的维护和检索也不需要花费很多时间，非常的便利。 网上系统是在MySQL中建立数据表保存信息，运用SpringBoot框架和Java语言编写。并按照软件设计开发流程进行设计实现。系统具备友好性且功能完善。 网上系统在让售信息规范化的同时，也能及时通过数据输入的有效性规则检测出错误数据，让数据的录入达到准确性的目的，进而提升数据的可靠性，让系统数据的错误率降至最低。 关键词：vue；MySQL；SpringBoot框架 【引流】 Java、Python、Node.js、Spring Boot、Django、Express、MySQL、PostgreSQL、MongoDB、React、Angular、Vue、Bootstrap、Material-UI、Redis、Docker、Kubernetes
matlab张量运算
09-14
在MATLAB中进行张量运算可以使用多维数组来表示和操作张量。以下是一些常见的张量运算的示例： 1. 创建张量：可以使用MATLAB的多维数组来创建张量。例如，可以使用`zeros`、`ones`或`rand`函数创建一个全零、全一或随机值的张量。 ```matlab % 创建一个3x3的全零张量 tensor = zeros(3, 3); % 创建一个2x2x2的全一张量 tensor = ones(2, 2, 2); % 创建一个3x3x3的随机值张量 tensor = rand(3, 3, 3); ``` 2. 张量加法和减法：可以使用MATLAB的加法和减法运算符对张量进行逐元素的加法和减法。 ```matlab % 张量加法 tensor1 = ones(3, 3); tensor2 = rand(3, 3); result = tensor1 + tensor2; % 张量减法 result = tensor1 - tensor2; ``` 3. 张量乘法：可以使用MATLAB的乘法运算符进行张量之间的逐元素乘法，或者使用`mtimes`函数进行矩阵乘法运算。 ```matlab % 逐元素乘法 tensor1 = ones(3, 3); tensor2 = rand(3, 3); result = tensor1 .* tensor2; % 矩阵乘法 matrix1 = rand(3, 2); matrix2 = rand(2, 3); result = mtimes(matrix1, matrix2); ``` 这只是一些常见的张量运算示例，MATLAB还提供了许多其他张量运算的函数和工具，根据需求进行使用即可。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值