浅谈张量分解（四）：外积、Kronecker积和张量积

最新推荐文章于 2025-07-15 10:06:14 发布

转载最新推荐文章于 2025-07-15 10:06:14 发布 · 2.5w 阅读

103

本文探讨了外积、Kronecker积和张量积之间的关系，解释了外积为何被视为Kronecker积的特例，以及张量积与外积在计算上的等价性。通过具体例子和Python代码，展示了这些概念的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在维基百科上，外积（Outer product - Wikipedia）被解释为：

In linear algebra, an outer product is the tensor product of two coordinate vectors, a special case of the Kronecker product of matrices.

虽然这个解释很简明，但当我们看完这段话后，可能会产生以下两点疑问：

为什么外积能被认为是Kronecker积的特例呢？
外积与张量积（tensor product）有什么关系？

围绕这两点疑问，我们来讨论一下容易混淆的外积、Kronecker积和张量积。

1 Kronecker积

在之前的浅谈张量分解（二）：张量分解的数学基础一文中，我们已经知道了Kronecker积的运算规则，给定一个大小为 $m_1\times m_2$ 的矩阵和一个大小为 $n_1\times n_2$ 的矩阵，则矩阵和矩阵的Kronecker积为

$A\otimes B = \left[ \begin{array}{cccc} a_{11}B & a_{12}B & \cdots & a_{1m_2}B \\ a_{21}B & a_{22}B & \cdots & a_{2m_2}B \\ \vdots & \vdots & \ddots & \vdots \\ a_{m_11}B & a_{m_12}B & \cdots & a_{m_1m_2}B \\ \end{array} \right]$

很明显，矩阵 $A\otimes B$ 的大小为 $\left( m_1n_1 \right) \times \left( m_2n_2 \right)$ ，即行数为 m_1n_1 ，列数为 m_2n_2 ，符号“ $\otimes$ ”表示Kronecker积。当给定两个向量，如 $\vec u=\left[ \begin{array}{c} 1 \\ 2 \\ \end{array} \right]$ ， $\vec v=\left[ \begin{array}{c} 3 \\ 4 \\ \end{array} \right]$ 时，我们可以很轻松地计算出Kronecker积为 $\vec u \otimes \vec v=\left[ \begin{array}{c} 3 \\ 4 \\ 6 \\ 8 \\ \end{array} \right]$ 。

import numpy as np
a = np.array([[1], [2]])
b = np.array([[3], [4]])
np.kron(a, b)
np.outer(a, b)
np.kron(a, b.T)

然而，向量 $\vec u, \vec v$ 的外积却为 $\vec u \circ \vec v = \vec u \vec v^T=\left[ \begin{array}{cc} 3 & 4 \\ 6 & 8 \\ \end{array} \right]$ ，是一个大小为 $2 \times 2$ 的矩阵。我们发现Kronecker积与外积并不相同。Kronecker product and outer product confusion认为这种不一致是由符号的“滥用”造成的。

不妨将Kronecker积的符号记作 $\otimes _K$ ，外积的符号记作 $\otimes _O$ （注：一般用符号 $\circ$ 表示），则有

$\vec u \otimes_O \vec v=\vec u \otimes_K \vec v^T$ .

虽然严格意义上的Kronecker积的计算结果和外积的不同，但这种不同仅仅体现在每个元素的摆放位置不同，而且 $\vec u \otimes_K \vec v^T$ 等价于 $\vec u \vec v^T$ ，确实可以用来计算外积。若给定向量 $\vec u = \left[ \begin{array}{c} u_1 \\ u_2 \\ \end{array} \right]$ ， $\vec v = \left[ \begin{array}{c} v_1 \\ v_2 \\ v_3 \\ \end{array} \right]$ 和 $\vec w = \left[ \begin{array}{c} w_1 \\ w_2 \\ \end{array} \right]$ ，则它们外积为

$\mathcal{X} = \left[ \begin{array}{c} u_1 \\ u_2 \\ \end{array} \right] \circ \left[ \begin{array}{c} v_1 \\ v_2 \\ v_3 \\ \end{array} \right] \circ \left[ \begin{array}{c} w_1 \\ w_2 \\ \end{array} \right]$

$\Leftrightarrow \left[ \begin{array}{c} x_{111} \\ x_{211} \\ x_{121} \\ x_{221} \\ x_{131} \\ x_{231} \\ x_{112} \\ x_{212} \\ x_{122} \\ x_{222} \\ x_{132} \\ x_{232} \\ \end{array} \right] = \left[ \begin{array}{c} u_1v_1w_1 \\ u_2v_1w_1 \\ u_1v_2w_1 \\ u_2v_2w_1 \\ u_1v_3w_1 \\ u_2v_3w_1 \\ u_1v_1w_2 \\ u_2v_1w_2 \\ u_1v_2w_2 \\ u_2v_2w_2 \\ u_1v_3w_2 \\ u_2v_3w_2 \\ \end{array} \right] =\vec w \otimes \vec v \otimes \vec u$ .

因此，我们依然可以认为外积是Kronecker积的特例。

2 张量积

简单来说，张量积的定义为：给定两个有限维的向量空间（finite dimensional vector space）和，其中， $\vec v_1,...,\vec v_m$ 为向量空间的基（basis）， $\vec w_1,...,\vec w_n$ 为向量空间的基，则我们可以将 $V\otimes W$ 定义为个 $\vec v_i \otimes \vec w_j$ 的线性组合，即

$V\otimes W=\sum_{i,j}{c_{ij}\left(\vec v_i \otimes \vec w_j\right)}$ .

同时，双线性映射（bilinear map，如果仅仅关注张量积的计算，则不必深究这个概念）被定义为

$B:V \times W \rightarrow V \otimes W$

其中， $B \left(\sum_i {a_i \vec v_i}, \sum_j {b_j \vec w_j}\right) = \sum_{i,j}{a_i b_j\left(\vec v_i \otimes \vec w_j\right)}$ ，对于任意取自向量空间和下的向量，我们都可以用相应的基进行线性组合来表示出来，若 a_i,i=1,...,m 为向量 $\vec v_i$ 线性组合的系数， b_j,j=1,...,n 为向量 $\vec w_j$ 线性组合的系数，则满足 $a_i b_j=c_{ij}$ 。另外， $V \times W$ 表示两个向量空间的Cartesian积（维基链接：Cartesian product）。

为了便于理解，这里举一个简单的例子（来源：Calculate the tensor product of two vectors）。

已知 $\mathbb{R}^2$ 下的一组标准基为 $\vec e_1=\left(1, 0\right) ^T$ ， $\vec e_2=\left(0, 1\right) ^T$ ， $\mathbb{R}^3$ 下的一组标准基为 $\vec f_1=\left(1,0,0 \right)^T$ ， $\vec f_2=\left(0,1,0 \right)^T$ ， $\vec f_3=\left(0,0, 1 \right)^T$ 。给定向量 $\vec x=\left[ \begin{array}{c} 1 \\ 1 \\ \end{array} \right]=\vec e_1+\vec e_2$ ，向量 $\vec y=\left[ \begin{array}{c} 1 \\ -2 \\ 1 \\ \end{array} \right]=\vec f_1-2 \vec f_2 +\vec f_3$ ，则向量 $\vec x,\vec y$ 的张量积为

$\vec x \otimes \vec y=\sum_{i=1}^{2} \sum_{j=1}^{3}x_iy_j \left(\vec e_i \otimes \vec f_j\right)$

$=\vec e_1 \otimes \vec f_1-2\vec e_1 \otimes \vec f_2+\vec e_1 \otimes \vec f_3$ $+\vec e_2 \otimes \vec f_1-2\vec e_2 \otimes \vec f_2+\vec e_2 \otimes \vec f_3$ $=\left[ \begin{array}{ccc} 1 & -2 & 1 \\ 1 & -2 & 1 \\ \end{array} \right]=\vec x\vec y^T$

其中， $\vec e_i \otimes \vec f_j$ 是 $\mathbb{R}^2 \otimes \mathbb{R}^3$ 的基，张量积与外积的计算结果完全相同。

import numpy as np
x = np.array([[1], [1]])
y = np.array([[1], [-2], [1]])
np.kron(x, y.T)
np.outer(x, y)

对于任意向量 $\vec x$ ， $\vec{y}$ ，它们的张量积 $\vec x\otimes \vec y$ 有时被称为外积，如果 $\vec e_i\otimes \vec f_j$ 是 $\mathbb {R}^m \otimes \mathbb {R}^n$ 的基，且 $\vec e_i$ ， $\vec f_j$ 是标准基，则外积可以写成如下形式：

$\vec x\otimes \vec y=\sum_{i=1}^m \sum_{j=1}^n {c_{ij}\left(\vec e_i \otimes \vec f_j\right)}$

其中， $c_{ij}$ 是矩阵 $\vec x\vec y^T$ 第行、第列的元素。

对于向量而言，张量积和外积是等价的。

3 推荐阅读：秩一（rank one）矩阵和外积的联系

在矩阵分解和张量分解中，我们总不免见到rank one这个词，另外，我们也知道“秩一”与向量的外积密切相关，因此，对秩一矩阵和外积的联系感兴趣的读者可阅读Rank of a Decomposable Tensor和Is there meaning for uv^T?上的回答。

附录——张量积的性质：

(1) $(\vec a+\vec b) \otimes \vec c=\vec a \otimes \vec c+\vec b \otimes \vec c$ , $\vec a \otimes (\vec b+\vec c)=\vec a\otimes \vec b+\vec a\otimes \vec c$ ;