折叠凹惩罚法来完成张量

深度Q学习 在OpenAI Gym上测试了具有基本或双重q-learning训练算法的深度q-networn，对决q-network的实现。 先决条件 该项目是使用Python 3.5和Tensorflow（通过tensorflow-gpu 1.2.1测试）实现的。 可用的环境来自OpenAi Gym。 要安装健身房，请访问 。 要工作需要来自atari_wrappers.py 训练网络 使用train.py模块执行网络培训。 它要求将要学习的体育馆环境作为参数。 可选地，可以指定要使用的网络类型和学习算法。 可以使用--checkpoint参数提供网络权重，使用--training_info参数提供培训状态（例如，当前步骤，总步骤，体验重播缓冲区数据）从检查点重新开始培训。 通过使用--checkpoint_step，可以指定保存检查点的步骤数。 python train.py --

Jupyter文件，适用初学者，附带注释

86页最新视频监控解决方案.ppt

张量分析简明教程-张若京.pd 从量子力学分析道模型

TT-Toolbox (TT=Tensor Train) 2.2 版TT(Tensor Train) 格式是一种有效的低参数方式高维张量的表示。 TT-工具箱是基本操作的 MATLAB 实现TT 格式的张量。 这包括： * tt_tensor 和 tt_matrix 类用于存储向量和运算符* 基本线性代数子程序（加法、矩阵乘向量积、 元素乘法和许多其他）使用标准 MATLAB 语法， 尺寸的线性复杂度，整形函数*快速的舍入程序，具有规定的精度* 高级逼近和求解技术： * 线性系统和特征值问题的近似解*交叉方法来近似“黑盒”张量* 小波张量训练分解* 基本运算符和函数的构建（拉普拉斯运算符，TT-张量的函数） *计算张量的最大和最小元素* 和其他几个 2.2 版的新功能*更好的文档* 混合 QTT-Tucker 格式（qtt_tucker 类） * TT-张量/TT-矩阵的重塑函数* d

Simmonds J.G. A Brief on Tensor Analysis (2ed., UTM, Springer, 1997)(ISBN 038794088X)(T)(123s)

张量分解算法的Julia实现 Available functions The following functions for Tucker decompositions, except for sshopm, return a Tucker, which contains factors::Vector{Matrix{Float64}}, core::Array{Float64} (1-dimensional array for Kruskal decompositions), and the relative reconstruction error error::Float64. High-order SVD (HOSVD) [3] hosvd{T,N}(tnsr::StridedArray{T,N}, core_dims::NTuple{N, Int}; pad_zeros::Bool=false, compute_error::Bool=false) Canonical polyadic decomposition (CANDECOMP/PARAFAC) candecomp{

在Python中实现规范多元（CP）张量分解的简短教程 Jupyter Notebook

%SLICES 沿着指定的维度返回张量切片的元胞数组% % 此功能对于切片高维图像很有用（例如 fMRI % 图像）转换为较低维的部分。 然后输出可以是% 直接处理，或传入 cellfun 或 arrayfun 进一步处理％ 加工。 % ％ 用法： % x = 切片(m,[d]) % % 输入： % % m：你想要切片的张量（即多维矩阵） % % d：您希望切片的尺寸。 默认： % d = ndims(m)。 % % 输出： % % x：m 切片的 1 by size(m,d) 元胞数组。 的每个元素% 元胞数组是一个 (ndims(m) - 1) 维张量。 % ％ 例子： % % % 创建一个要切片的张量% m = 重塑（1:100,10,10）； % % %slice 沿第一维：返回 m 行% s1 = 切片(m,1); % 沿第二维的％％slice：返回m的列% s2 = 切片(m,