Tensor is a recursive array of Tensors, except rank-0 Tensor (scalar)
[Tensor, Tensor, Tensor, Tensor]
| | | |
| | [...] [...]
| [Tensor, Tensor, ...]
[Tensor, Tensor...]
Tensor может быть только of arithmetic type.
Для проверки типов я использую concepts, а не чистый SFINAE, поэтому target C++20.
Создать 3D tensor можно так, by default tensor of type double:
Tensor tensor(depth, rows, cols); // Tensor<double>, rank-3You can specify type:
Tensor<int> tensor(depth, rows, cols); // specified tensor of type intInteger dims only:
Tensor t(2, 2) // Ok, provided integers, creates 2x2 matrix
Tensor t(2., 2.) // Error due to incorrect type doubleКак создать scalar tensor:
Tensor sc = scalar(42); // Tensor<int>Factory function scalar нужна потому что Tensor t(42) вызовет конструктор dims, который создаст вектор соответствующего размера, а Tensor t = {42} вызовет initializer_list конструктор, который создаст вектор с одним соответствующим элементом, но не скаляр!
У меня нет copy конструктора принимающего скаляр.
Tensor t = 42 не сработает,
во-первых потому что у меня конструктор explicit,
во-вторых если бы он преобразовывался в Tensor t(42), то такой конструктор конфликтовал бы с конструктором dims.
Но, scalar copy assignment operator сработает, если сначала создать пустой Tensor.
Под капотом scalar(42) работает так:
scalar(T value){
Tensor<T> sc;
sc = value;
return sc;
}Tensor matrix(2, 2); // Tensor<double>
cout << matrix;
// {{0. 0.},
// {0. 0.}}
// index operator matrix[i] returns tensor object
matrix[0][0] = 42; // scalar copy assignment = , implicit casting to double
double sc = matrix[0][0].value(); // get scalar value from tensor object
cout << matrix;
// {{42. 0.},
// { 0. 0.}}Создать tensor можно вручную, что реализовано с initializer_list:
Tensor vector = {1, 2, 3}; // 1D vector
Tensor matrix = { // 2D matrix
{1, 2, 3},
{4, 5, 6},
{7, 8, 9}
};Тут стоит отметить, что конструктор принимающий dims - explicit, то есть передавать мы можем только явно, например: Tensor t(rows, cols).
Без explicit с Tensor t = {rows, cols} вызывал бы конструктор dims, а не initializer_list.
Проект реализует RAII i.e. Scope-Bound Resource Management для управления выделением и освобождением памяти of raw recursive arrays.
Copy and move constructors:
Tensor vector = {1, 2, 3};
Tensor copied = vector;
Tensor stealed = std::move(vector);
cout << vector; // 0iCopy and move assignments:
Tensor vector = {1, 2, 3};
Tensor copied(3); // sizes must match
copied = vector;
cout << vector; // tensor<i>: {1i, 2i, 3i}
Tensor stealed(3);
stealed = std::move(vector);
cout << vector; // tensor<i>: 0iТензоры одинаковой размерности можно объединять в один тензор на ранк выше:
Tensor v1 = {1, 2, 3};
Tensor v2 = {4, 5, 6};
Tensor v3 = {7, 8, 9};
Tensor copied(v1, v2, v3); // 1 time copy
Tensor stealed(std::move(v1), std::move(v2), std::move(v3)); // 0 copy, steals dataUnary multiplication:
Tensor v1 = {1, 2, 3};
Tensor v2 = {4, 5, 6};
v1 *= v2; // 0 copy, but may be overhead of recursion and
cout << v1; // {4, 10, 18}
cout << v2; // {4, 5, 6}Binary multiplication:
Tensor v1 = {1, 2, 3};
Tensor v2 = {4, 5, 6};
Tensor mul = v1 * v2; // 1 copy + RVO
cout << v1; // {1, 2, 3}
cout << v2; // {4, 5, 6}
cout << mul; // {4, 10, 18}Tensor-library is licensed under the terms of MPL-2.0, which is simple and straightforward to use, allowing this project to be combined and distributed with any proprietary software, even with static linking. If you modify, only the originally covered files must remain under the same MPL-2.0.
License notice:
SPDX-License-Identifier: MPL-2.0
--------------------------------
This Source Code Form is subject to the terms of the Mozilla Public License, v. 2.0.
If a copy of the MPL was not distributed with this file,
You can obtain one at https://mozilla.org/MPL/2.0/.
This file is part of the Tensor-library:
https://github.com/alarxx/Tensor-library
Description: <Description>
Provided “as is”, without warranty of any kind.
Copyright © 2025 Alar Akilbekov. All rights reserved.
Third party copyrights are property of their respective owners.
Если вы собираетесь модифицировать MPL покрытые файлы (IANAL):
- Ваш fork проект = MPL Covered files + Not Covered files (1.7).
- MPL-2.0 is file-based weak copyleft действующий только на Covered файлы, то есть добавленные вами файлы и исполняемые файлы, полученные из объединенения с вашими, могут быть под любой лицензией (3.3).
- (но под copyleft могут подпадать и новые файлы в которых copy-paste-нули код из Covered) (1.7).
- Покрытыми лицензией (Covered) считаются файлы с license notice (e.g. .cpp, .hpp) и любые исполняемые виды этих файлов (e.g. .exe, .a, .so) (1.4).
- You may not remove license notices (3.4), как и в MIT, Apache, BSD (кроме 0BSD) etc.
- При распространении любой Covered файл должен быть доступен, но разрешено личное использование или только внутри организации (3.2).
- Если указан Exhibit B, то производную запрещается лицензировать с GPL.
- Contributor дает лицензию на любое использование конкретной интеллектуальной собственности (patent), которую он реализует в проекте (но не trademarks).
Эти разъяснения условий не меняют и не вносят новые юридические требования к MPL.
Alar Akilbekov - alar.akilbekov@gmail.com
- Weidman, S. (2019). Deep learning from scratch: Building with Python from first principles (First edition). O’Reilly Media, Inc.
- Patterson, J., & Gibson, A. (2017). Deep learning: A practitioner’s approach (First edition). O’Reilly.
- Евгений Разинков. (2021). Лекции по Deep Learning. https://www.youtube.com/playlist?list=PL6-BrcpR2C5QrLMaIOstSxZp4RfhveDSP
- Raschka, S., Liu, Y., Mirjalili, V., & Dzhulgakov, D. (2022). Machine learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. The MIT press.
- Rashid, T. (2016). Make Your own neural network. CreateSpace Independent Publishing Platform.