基于矩阵乘积算符的深度张量网络
机器学习
2022-09-20 v1 量子物理
摘要
我们引入了深度张量网络，这是一种基于权重矩阵张量网络表示的指数级宽神经网络。我们在图像分类（MNIST、FashionMNIST）和序列预测（元胞自动机）任务上评估了所提出的方法。在图像分类情况下，深度张量网络改进了我们的矩阵乘积态基线，并在 MNIST 上达到 0.49% 的错误率，在 FashionMNIST 上达到 8.3% 的错误率。在序列预测情况下，我们展示了与单层张量网络方法相比参数数量的指数级改进。在这两种情况下，我们讨论了非均匀和均匀张量网络模型，并表明后者能很好地泛化到不同的输入尺寸。
引用
@article{arxiv.2209.09098,
title = {Deep tensor networks with matrix product operators},
author = {Bojan Žunkovič},
journal= {arXiv preprint arXiv:2209.09098},
year = {2022}
}
备注
9+2 pages, 8 figures