用于tensorflow的高级张量网络api。
tensornetwork的Python项目详细描述
t网络
tensorflow、jax、pytorch和numpy的tensor网络包装器。
有关张量网络的概述，请参见以下内容：
更多信息可在我们的TensorNetwork文件中找到：
复制这些论文结果的代码可以在experiments目录中找到。
安装
pip3 install tensornetwork
安装在Docker上
这将创建包含TensorNetwork的Docker图像。它将TensorNetwork安装与系统的其他部分隔离。
Install Docker在主机系统上。
为系统生成Docker映像：
git clone https://github.com/google/TensorNetwork cd TensorNetwork docker build -t google/tensornetwork . # This builds the actual image based on latest Ubuntu, and installs TensorNetwork with the needed dependencies.
安装在Docker上进行TensorNetwork开发
要在Docker虚拟机中进行TensorNetwork开发，可以使用dev_tools/Dockerfile:
git clone https://github.com/google/TensorNetwork cd TensorNetwork/dev_tools docker build -t google/tensornetwork-dev . # This builds the actual image based on latest Ubuntu, cloning the TensorNetwork tree into it with the needed dependencies. docker run -it google/tensornetwork-dev
如果您想对tensornetwork进行更改，那么您将改为分叉存储库并从分叉提交pull请求。
文档
有关tensornetwork api的详细信息，请参见reference documentation.
基本示例
注意：下面的示例假设tensorflow v2接口
（在tf 1.13或更高版本中，在
导入tensorflow），但也应该使用eager模式
（tf.enable_eager_execution()）。实际的图书馆确实有用
在图形模式下，但文档有限。
在这里，我们构建一个简单的2节点压缩。
importnumpyasnpimporttensorflowastftf.enable_v2_behavior()importtensornetwork# Create the networknet=tensornetwork.TensorNetwork()# Add the nodesa=net.add_node(np.ones((10,),dtype=np.float32))# Can use either np.array or tf.Tensor and can even mix them!b=net.add_node(tf.ones((10,)))edge=net.connect(a[0],b[0])final_node=net.contract(edge)print(final_node.tensor.numpy())# Should print 10.0
优化收缩。
通常，为了避免跟踪边，在收缩平行边之前将其展平在计算上更有效。
net=tensornetwork.TensorNetwork()a=net.add_node(tf.ones((2,2,2)))b=net.add_node(tf.ones((2,2,2)))e1=net.connect(a[0],b[0])# Edge contraction is communative, so the order doesn't matter.e2=net.connect(b[1],a[1])e3=net.connect(a[2],b[2])flattened_edge=net.flatten_edges([e1,e2,e3])print(net.contract(flattened_edge).tensor.numpy())
为了您的方便，我们还有contract_between和contract_parallel。
# Contract all of the edges between a and b.net.contract_between(a,b)# Contract all of edges that are parallel to edge # (parallel means connected to the same nodes).net.contract_parallel(edge)
拆分节点
可以通过执行奇异值分解来拆分节点。
# This will return two nodes and a tensor of the truncation error.# The two nodes are the unitary matricies multiplied by the square root of the# singular values.# The `left_edges` are the edges that will end up on the `u_s` node, and `right_edges`# will be on the `vh_s` node.u_s,vh_s,trun_error=net.split_node(node,left_edges,right_edges)# If you want the singular values in it's own node, you can use `split_node_full_svd`.u,s,vh,trun_error=net.split_node_full_svd(node,left_edges,right_edges)
节点和边缘名称。
可以选择命名节点/边。这对调试很有用， 因为所有错误消息都将打印断开边/节点的名称。
net=tensornetwork.TensorNetwork()node=net.add_node(np.eye(2),name="Identity Matrix")print("Name of node: {}".format(node.name))edge=net.connect(node[0],node[1],name="Trace Edge")print("Name of the edge: {}".format(edge.name))# Adding name to a contraction will add the name to the new edge created.final_result=net.contract(edge,name="Trace Of Identity")print("Name of new node after contraction: {}".format(final_result.name))
命名轴。
<>为了记住轴更容易做什么，你可以选择命名一个节点的轴。net=tensornetwork.TensorNetwork()a=net.add_node(np.zeros((2,2)),axis_names=["alpha","beta"])edge=net.connect(a["beta"],a["alpha"])
边缘重新排序。
若要断言结果的轴的顺序正确，可以在计算期间随时对节点重新排序。
net=tensornetwork.TensorNetwork()a=net.add_node(np.zeros((1,2,3)))e1=a[0]e2=a[1]e3=a[2]a.reorder_edges([e3,e1,e2])# If you already know the axis values, you can equivalently do# a.reorder_axes([2, 0, 1])print(a.tensor.shape)# Should print (3, 1, 2)
NCON接口。
对于张量网络及其压缩的更紧凑的规范，有ncon()。例如：
fromtensornetworkimportncona=tf.random_normal((2,2))b=tf.random_normal((2,2))c=ncon([a,b],[(-1,1),(1,-2)])print(tf.norm(tf.matmul(a,b)-c))# Should be zero
也可以生成TensorNetwork：
fromtensornetworkimportncon_networka=tf.random_normal((2,2))b=tf.random_normal((2,2))net,e_con,e_out=ncon_network([a,b],[(-1,1),(1,-2)])foreine_con:n=net.contract(e)# Contract edges in ordern.reorder_edges(e_out)# Permute final tensor as necessaryprint(tf.norm(tf.matmul(a,b)-n.tensor))
不同的后端支持。
目前，我们支持tensorflow、jax和numpy作为tensornetwork后端。
要更改默认全局后端，可以执行以下操作：
tensornetwork.set_default_backend("jax")# numpy, tensorflow, pytorch
或者，如果您只想更改单个TensorNetwork的后端，则可以执行以下操作：
tensornetwork.TensorNetwork(backend="jax")
高级示例
一些更复杂的例子可以在examples/下找到。
波函数的trotter演化
演示通过应用量子电路实现的波函数的时间演化 由传播子的快步分解而来。要从源代码运行，请使用
python -m examples.wavefunctions.evolution_example
从根目录。
免责声明
这个库位于alpha中，将经历许多突破性的变化。虽然发行版对于研究来说足够稳定，但我们不建议在任何生产环境中使用它。
TensorNetwork不是谷歌的官方产品。版权所有2019 TensorNetwork开发者。
欢迎加入QQ群-->： 979659372
