张量积计算器

张量积在向量语境下也称为外积，是线性代数中的基本运算。它接收两个向量并生成一个矩阵。设向量 u 有 m 个分量，向量 v 有 n 个分量，则它们的张量积 u ⊗ v 是一个 m × n 矩阵，其中第 i 行第 j 列的元素等于 uᵢ 乘以 vⱼ。这与点积形成鲜明对比，点积会把两个向量压缩成一个标量；也不同于叉积，叉积只适用于三维向量并返回另一个向量。 数学上，如果 u = [u₁, u₂, …, uₘ]，v = [v₁, v₂, …, vₙ]，那么对所有合法的 (i, j) 都有 (u ⊗ v)ᵢⱼ = uᵢvⱼ。其计算时间复杂度为 O(mn)，即使向量长度中等也很高效。张量积是双线性的：任一向量按同样因子缩放，结果也会按相同因子缩放，并且它对向量加法满足分配律。 张量积不满足交换律：u ⊗ v 与 v ⊗ u 通常是不同的矩阵（一个是 m × n，另一个是 n × m），除非 m = n 且存在某些特殊关系。第一个向量总是决定行，第二个向量总是决定列。这种非对称性在物理或机器学习中尤其重要，因为顺序本身就带有物理或语义含义。 在量子力学中，张量积对于描述复合系统不可或缺。两个量子系统组合时，复合系统的状态空间就是各自状态空间的张量积。例如，一个双量子比特系统具有 4 维状态空间，它是两个 2 维量子比特空间的张量积。量子纠缠正是在复合态无法写成各个单独状态的简单张量积时出现的。 在机器学习和数据科学中，张量积（以及更高阶的推广形式“张量”）支撑着 Transformer 模型中的注意力机制、推荐系统中的特征交叉运算，以及图像处理中的可分离卷积。例如，高斯模糊核可以看作是一维水平高斯滤波器与一维垂直高斯滤波器的张量积，从而实现高效的可分离计算。 在信号处理中，把多维滤波器表示为一维滤波器的张量积可以显著节省计算量。此计算器生成的扁平向量表示尤其适合后续需要一维输入的运算，例如全连接神经网络层。