Wissenschaftliche Grundlage

Das in diesem Repository enthaltene Python Package enthält eine Implementierung des hierarchischen Tuckerformats für Tensoren und beruht dabei auf den beiden nachstehenden Arbeiten:

• D. Kressner and C. Tobler, Algorithm 941, ACM Transactions on Mathematical Software, 40 (2014), pp. 1–22.
• L. Grasedyck, Hierarchical singular value decomposition of tensors, SIAM Journal on Matrix Analysis and Applications, 31 (2010), pp. 2029–2054.
• B. Schröter, Approximation der Dynamik eines epidemiologischen Modells im hierarchischen Tuckerformat, Masterthesis, https://github.com/Beschroe/Masterarbeit, 11 2023.

Requirements:

(Möglicherweise sind andere Versionen ebenfalls möglich. Entwickelt wurde das Package allerdings mit untenstehender Konfiguration)

• python = 3.10
• torch = 2.2.1
• numpy = 1.26.4

Installation (zur Verwendung auf der CPU):

1. Erstellung eines neuen Conda environment

conda create -n ENV_NAME python=3.10

3. Wechseln in das neu erzeugte Environment

conda activate ENV_NAME

2. Installieren der vorausgesetzten Pakete

pip install torch==2.2.1 numpy==1.26.4

3. Klonen von Hierarchical_Tucker_Tensor_Package in ein beliebiges Verzeichnis

cd PREFERRED_DIRECTORY
git clone https://github.com/Beschroe/Hierarchical_Tucker_Tensor_Package.git

4. Installieren von Hierarchical_Tucker_Tensor_Package

pip install Hierarchical_Tucker_Tensor_Package/HTucker

5. Pruefen, ob Installation erfolgreich war

python
>>> from HTucker import HTTensor as htt
>>> x = htt.randn([2,3,4])
>>> x.full()
tensor([[[ 5.8944e-01, -1.4568e+00,  4.8685e-01, -1.0708e-01],
         [ 1.8261e-01, -1.9248e+00,  1.1095e+00, -8.7830e-01],
         [ 5.1478e-01, -4.1099e-02, -3.7586e-01,  6.1266e-01]],
        [[ 1.7282e-02, -4.2714e-02,  1.4274e-02, -3.1395e-03],
         [ 5.3540e-03, -5.6434e-02,  3.2530e-02, -2.5752e-02],
         [ 1.5093e-02, -1.2050e-03, -1.1020e-02,  1.7963e-02]]])

War die Installation erfolgreich, sollte obiges Beispiel funktionieren.