Tensor network theory

PyTorch包含多种损失函数，包括 MSE（均方误差 = L2 范数）、交叉熵损失和负熵似然损失（对分类器有用）等。 PyTorch定義了一個名為張量(torch.Tensor) 的類別來儲存和操作同構多維矩形數字陣列。 PyTorch張量與NumPy陣列類似，但也可以在支援 CUDA 的 英伟达 GPU 上運作。 PyTorch

union of graphs）， 图乘积，包括图的笛卡尔乘积（英语：cartesian product of graphs）、图的张量积（英语：tensor product of graphs）、图的强乘积（英语：strong product of graphs）、图的字典积等， 图的串并联（英语：series–parallel

卷积神经网络（英語：convolutional neural network，縮寫：CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling

Networks: Theory and Analysis, Wiley, 1985 ISBN 0471085286. Cruickshank, A. J. O., "Matrix formulation of control system equations", The Matrix and Tensor Quarterly

。小脑作为时间系统的功能假说也得到了理查德·伊夫里（Richard Ivry）的支持。另一个著名的执行理论是张量网络理论（英语：Tensor network theory），由佩里奥尼茨（Pellionisz）和鲁道夫·里纳斯（英语：Rodolfo Llinás）提出，对小脑的基本计算功能，将感觉转换为运动调整作了进一步的数学描述。