（1）张量及python基础

1.课前准备

1. 安装Anaconda（自带Jupyter notebook）与python,并安装numpy（安装了Anaconda后无需担心，用CPU运行，CPU版本的matelable）与pytorch(GPU版本的numpy 既能CPU又能GPU)
2. 安装编辑器Pycharm

2.张量的基础概念

	张量阶数	例子
标量（没有分量）	0	能量、温度、一门课的总成绩
向量	1	速度、力、多门课的总成绩构成的数列
矩阵	2	算符的系数矩阵、黑白图片
张量	N	彩色图片（三阶张量）

• N维张量又称N维数列
• 张量阶数即为张量指标的个数
• 向量、矩阵也被称为1阶张量、2阶张量
• 每个指标可取的值的个数，被称为指标的维数
• 张量的“直观”定义：多个指标标记下的一堆数

2.1 代码实例

向量:

v = np.random.randn(4,) #生成长度为4的随机向量   randn为高斯分布
print(v)
print(v.shape) #v的形状
print(v.size) #v中包含的元素的个数
print(v.dot(v)) #v和v的内积   v.T表示v的转置
v[1]  = 10.21 #修改v的某个元素 

矩阵：

m = np.random.randn(2,2)  + np.random.randn(2,2) * 1j    # 生成2*2的随机复矩阵
print(m.conj())  # 求矩阵共轭
print(m.conj().T) # 求矩阵共轭转置
print（np.eye(2)） #打印单位阵
print(np.zeros((2,4))) #打印全零矩阵

张量：

x = np.random.randn(2,2,2) #随机生成一个2*2*2的三阶张量
print(x.ndim) #张量的阶数
print(np.ones((2,3,2))) #生成全1的三阶张量

3.张量的图形表示

——张量用连接着N个腿（bond）的圆圈或方块表示，N为张量的阶数

注：一个腿表示一个指标

4.张量的基本操作

• 切片——提取相关元素
• transpose命令——改变张量指标的顺序
• reshape命令——张量的阶数可以进行相互的转换（改变张量的形状）

注：使用transpose命令和reshape命令转换张量前后，其所包含的元素总个数不变，意义仅在于采用不同的index标记各个元素（改变的只是表示方式，值没有改变）

4.1 代码实例

向量切片：

v = np.arange(6) #输出[0 1 2 3 4 5 ]
print(v[:3]) #输出[0 1 2]

张量切片：

x = np.random.randn(4,4,4)
y = x[:3,1:3,1:]
print(y.shape) #输出为（3，2，3）

代码贴图：
x

y

向量的reshape:

V = np.arange(0,6,1) # 产生一个随机的向量，从0到5，步长为1
print(v.reshape(2,3))# 将向量变为2*3的矩阵

注：改变其指标标记的方式，不改变本身。如：在向量V中4的指标为 4 ，在矩阵中为（1，1）

矩阵的transpose:

m = np.array([[11,12,13],[21,22,23]])
print(m.transpose(1,0))# 把第一个指标放在第零个位置，把第零个指标放在第一个位置（转置）

5.张量的基本运算

向量内积
$$C=\sum _a{x}_a{y}_a$$
对$a$求和

向量乘矩阵
$$v_b=\sum _a{x}_a{M}_{ab}=xM$$
对$a$求和

矩阵乘矩阵
$$M_{ac}=\sum _b{A}_{ab}{B}_{bc}=AB$$
对$b$求和

张量缩并
$$T_{acde}=\sum _b{A}_{abc}{B}_{bde}$$
对$b$求和

5.1 代码实例

向量内积，外积，克罗内克积:

np.random.seed(0) #固定随机数种子，每次随机都能随出同一种数
dim = 3
x = np.random.randn(dim,) #三维随机向量
y = np.random.randn(dim,) #三维随机向量
print(np.inner(x,y)) #向量内积
print(np.dot(x,y)) #向量内积
print(x.dot(y)) #向量内积
print(np.outer(x,y))#向量外积
print(np.kron(x,y))#克罗内克积 两个三维向量生成一个九维向量

注：克罗内克积与向量外积只差一个reshape()
向量乘矩阵，矩阵乘矩阵:

dim = 3
m = np.random.randn(dim,dim) #随机生成一个3*3的矩阵
x = np.random.randn(dim,) #三维随机向量
print(m.dot(x))#矩阵与向量
print(m.dot(m))#矩阵与矩阵
print(m.trace())#求矩阵迹

张量缩并：
tensordot方法

A = np.random.randn(5,3,2)#生成一个5*3*2的张量
B = np.random.randn(3,6,4)#生成一个3*6*4的张量
#希望将A的第二个指标和B的第一个指标进行收缩
C1 = np.tensordot(A,B,[[1],[0]]) #收缩结果为（5，2，6，4）

einsum方法

A = np.random.randn(5,3,3)#生成一个5*3*3的张量
B = np.random.randn(6,3,3)#生成一个6*3*3的张量
C = np.random.randn(4,3,3)#生成一个4*3*3的张量
T = np.einsum('iab,jbc,kca->ijk',A,B,C) #iab,jbc,kca->ijk是求和公式 ijk为收缩结果指标

演示图：