后来的发展表明，"张量积" 可以扩展到一般范畴。凡是在范畴中多个对象得到一个对象，并满足一定结合规则和交换规则的操作都可以视为 "张量积"，比如集合的笛卡儿积，无交并，拓扑空间的乘积，等等，都可以被称为张量积。带有张量积操作的范畴叫做 "张量范畴"。张量范畴现在被视为量子不变量理论的形式化，从而应该同量子场论，弦论都有深刻的联系。

主页： ： 一个高效且灵活的C ++库，用于执行张量网络计算。 库的基础是智能张量或ITensor。 收缩ITensor并不比乘上标量更难：匹配的索引会自动找到彼此并收缩。 这使得将张量网络图转换为正确，有效的代码变得容易。 可以在文件中找到安装说明。 引文 如果您在工作中使用ITensors.jl，请暂时引用： @misc { fishman2020itensor , title = { The \mbox{ITensor} Software Library for Tensor Network Calculations } , author = { Matthew Fishman and Steven R. White and E. Miles Stoudenmire } , year = { 2020 } , eprint = { 2007

此程序包是论文“A new asymmetrical encryption algorithm based on semitensor compressed sensing in WBANs”的复现代码

此程序包是关于P张量积压缩感知的实现代码，仿真平台为Matlab。

自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

张量投票是基于感知原理的图像特征推断框架。 此工具为 2D 密集张量投票实现了可操纵的滤波器公式。 它是以下框架文献综述的补充材料： “通过张量投票进行感知分组：最近方法的比较调查”。 E Maggiori, HL Manterola, M del fresno。 将在 IET 计算机视觉中发表。 特别是，该工具实现了张量投票重构，与之前的工作相比，它运行得非常快。 该配方出现在： “使用可控滤波器进行张量投票的有效方法”，Franken 等人。 阿尔。 ECCV 2006。

使用张量投票进行3D模型检索

贝叶斯泊松因子 贝叶斯泊松张量因子分解这是可扩展的贝叶斯张量因子分解模型的matlab实现，其中包含在线推理和在线与并行推理。 该代码与我们的以下两个出版物有关： （1）胡楚，赖佩瑞，陈晨，哈丁，卡林大规模计数数据的可伸缩贝叶斯非负张量分解，ECML-PKDD 2015，葡萄牙波尔图。 （2）C.胡，P。赖，L。卡林。 大规模二元张量的零截断泊松张量分解，UAI 2015，阿姆斯特丹，荷兰。 运行demo_parallel.m来运行代码，我们在这里使用的数据是GDELT政治科学数据。 您需要以两个变量的形式准备数据：id和xi; 并将其存储在xi_id.mat;中 id：应该是1X4像元，第k个像元是一个向量，在张量中存储非零的第k个模式索引xi：是一个向量，存储张量的所有非零 如果设置paralellFlag = 0，则可以运行在线推断。 如果速度太慢，则可以通过设置paralel

变分贝叶斯推断matlab代码稳健流张量因式分解 此存储库包含与将出现在 IEEE ICDM 2018 上的论文“Variational Bayesian Inference for Robust Streaming Tensor Factorization and Completion”相关的代码。论文作者是 和 。 有关此代码的问题，请联系 Cole Hawkins。 我们的贡献包含在文件“streaming_bayesian_completion.m”中。 我们的代码需要 Matlab Tensor Toolbox： 要运行 OLSTEC 文件夹中的所有文件，您将需要 Poblano 工具箱：

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。