论文阅读——Supervised Learning With Quantum-Inspired Tensor Networks

        张量网络是高维张量的有效表示，在物理和数学应用中非常成功。我们展示了如何通过使用矩阵乘积状态（张量训练）来参数化用于对图像进行分类的模型，将优化此类网络的算法应用于监督学习任务。对于 MNIST 数据集，我们获得的测试集分类错误率不到 1%。我们讨论了张量网络形式如何为学习模型赋予额外的结构，并提出了一种可能的生成解释。

如何将输入数据映射为高维张量？

 

什么是密度矩阵重整化群（DMRG）？

 

张量网络如何表示决策函数？