如何对分解的张量运算执行 einsum？

问题描述

我正在尝试衡量 np.einsum('bcd,bce,bef->df' tensor1,tensor2,tensor1) 和 np.einsum('...->...',decomposed_tensor1,decomposed_tensor1) 操作之间的加速性能。我使用的分解方法是tensorly.decomposition.tucker

然而，对于deposited_tensor，张量操作，遵循我应该总结的索引是很混乱的。

以下是张量和分解张量的维度。

from tensorly.decomposition import tucker
import numpy as np

d1,d2,d3 = 256,4,12

# the tensor of interest 
tensor1 = np.random.rand(d1,d3)

# a tensor with appropriate dimensions to perform operations
tensor2 = np.random.rand(d1,d2)

# tensor1,tensor1 operation
tens1Tens2tens1 = np.einsum('ilk,ilm,imp->kp',tensor1,optimize='optimal')

# tucker decomposition of the tensor1
rank_tucker = (8,2)
core,factors = tucker(tensor1,rank_tucker)
print("Core Dimension:\t\t",core.shape)
print("Factors Dimensions:\t",[f.shape for f in factors])

# decomposed_tensor1,decomposed_tensor1
# decTens1tens2decTens1 = np.einsum('...->...',core,factors,factors)

出：

Core Dimension:      (8,2)
Factors Dimensions:  [(256,8),(4,4),(12,2)]

有人可以指导我应该如何执行这个分解的张量和张量操作吗？

谢谢。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）