tensor理解
来源:互联网 发布:惠普手机打印软件 编辑:程序博客网 时间:2024/06/15 05:40
张量是一类多线性映射,工程中的张量实际上只是系数。
零阶张量是数,一阶张量是向量。二阶张量是矩阵,三阶张量是立体矩阵。
线性空间,对偶空间,张量积
---------------------------------------------------------------------------------------------
张量的作用在于表达线性映射关系:
- 假如我们想定义一个从向量到数量的关系,这种关系如下:
输入任意向量,得到一个数量,而。
那么问题来了,怎样表达这种关系呢?
这当然难不住大家,这种映射关系容易表示为:
这里我们用到了一个行向量来表达这种映射关系,这个行向量实质上就是一个1阶张量。它之所以被称为张量,在于它表达了一种映射关系,但更重要的是,这种关系是一种线性关系。
----------------------------
那么问题又来了,究竟什么样的关系是线性关系呢?
这里给一个简单的解释(可能不是很严格)帮助大家理解。线性其实包含两个含义:
1.齐性。
接着上面的例子,我们把张量记为,那么映射关系可记为。
齐性的含义是:
对任意实数,若有,则有:。
那么就可以说这种映射关系满足齐性。
2.加性。
加性的含义是:
若有,,则有:。
那么就可以说这种映射关系满足加性。
同时满足齐性和加性的映射关系就可称为线性映射关系。
- 类比从向量到数量的映射关系,下面我们想表达一种从向量到向量的映射关系,这种映射关系如下:
输入任意向量,得到向量,容易想到采用矩阵表达这种映射关系,如:
.
容易发现,此处矩阵表示的映射关系也是线性映射,事实上也就是2阶张量。
- 再进一步,假如我们想获得一种从矩阵到向量的映射,比如:
输入任意的矩阵:
,
输出向量:
。
这种映射关系似乎与上面两种一脉相承,但是,似乎矩阵也不足以表达其中的映射关系了。这时候,3阶张量就要隆重登场了~~~
你似乎也感觉到问题的复杂性了,高阶(高于2阶)张量的出现需要引入新的表示方法和运算规则,目前最为常用的就是指标记法和Einstein求和约定了。这里不再赘述了。
引入指标记法以后,这种映射关系就容易表达为:
其中,3阶张量就表达了这种线性映射关系,其含义容易理解为矩阵元素在向量第分量的系数。
例如,由,可知,而。
有了前面的铺垫,不难理解更高阶次的张量,例如:
从矩阵到矩阵的线性映射可以用4阶张量表示,
从3阶张量到矩阵的线性映射可以用5阶张量表示。
虽然张量可以用分量的多维数组来表示,张量理论存在的意义在于进一步说明把一个数量称为张量的涵义,而不仅仅是说它需要一定数量的有指标索引的分量。特别是,在坐标转换时,张量的分量值遵守一定的变换法则。
p.s.
以上涉及的张量,主要用于定义线性映射关系。在直角坐标系之间的变换中,其可以被直观地赋予几何变换的含义。而在曲线坐标系和斜交坐标系下,这种变换可认为属于微分几何的研究范畴,所谓协变、逆变的概念都是在这种背景下引入的,由于本人涉及较少,这里避而不谈。
除此之外,张量本身也可以被赋予物理意义,如应力应变张量。这种依据物理意义定义的张量一般不超过2阶,也比较容易理解。值得注意的是,这种具有物理意义的张量(包括矢量)是客观的,不依赖与坐标系的。但其数学表达(也就是坐标)却强烈地依赖于坐标系,坐标系基底的引入可以用于描述这种对于坐标系的依赖。
比如,假设直角空间坐标系的一组标准正交基:黑体表示张量,带下标非粗体表示坐标表示,则有:
对于位移矢量:
对于应力张量:.
坐标变换时,基底改变会导致坐标表示的变化,但张量本身保持不变。
-----------------------------------------------------------------------------------------------------------
- tensor理解
- 张量(tensor)的理解
- tensorflow中tensor的理解
- 怎样理解TensorFlow中的Tensor?
- Tensor
- tensor
- Tensor
- Tensor
- Tensor
- 对Tensorflow中tensor的理解
- tensorflow的张量(tensor)的理解
- Tensor Tensor
- TensorFlow系列03——TensorFlow基本概念Tensor理解
- Torch7入门续集(一)----- 更加深入理解Tensor
- 关于Tensorflow计算图与Tensor的理解
- Tensorflow中关于Tensor和Variable的理解
- 个人理解tensor或多维数组的最佳方式
- 关于Tensorflow计算图与Tensor的理解
- 类中成员函数调用问题
- armeabi与armeabi-v7a的区别,绝对干货!
- 【Android】Android清除本地数据缓存代码
- 神经网络深入 ,源码
- DBoW2算法原理介绍
- tensor理解
- 编写可读性代码的艺术(一)
- Linux系统--进程地址空间之存储器区域
- 死锁
- tensorflow学习笔记十六:tensorflow官方文档学习 Mandelbrot Set
- linux调试工具
- 继承关系下的构造器风云
- apk测试工具调研
- 安卓复制粘帖