Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

텐서와 축약

텐서는 형태에 속한 각 이름 있는 인덱스를 하나의 값에 대응시킵니다. 형태는 이름 있는 축들의 순서 없는 집합이므로 { N = 4, C = 3 }과 { C = 3, N = 4 }는 같은 텐서를 나타냅니다. 그 형태에 순서를 부여한 표현은 익숙한 다차원 배열처럼 동작합니다. 텐서 인덱스는 모든 축에 값을 하나씩 지정하므로 { N = 4, C = 3 }에는 { N: 0, C: 0 }, { N: 0, C: 1 }과 같은 인덱스가 포함됩니다.

텐서차원예시이름 있는 형태
스칼라0D5.2{}
벡터1D[1, 2, 3]{ I = 3 }
행렬2D2 × 4 격자{ I = 2, J = 4 }
이미지 배치4DRGB 이미지 4장{ N = 4, C = 3, H = 256, W = 512 }

텐서 축약은 두 입력을 요소별로 곱하고, 공유 축 중 출력에 없는 축을 모두 리덕션합니다. 모든 축약은 브로드캐스트, 곱셈, 리덕션 단계로 구성됩니다.

연산Einsum브로드캐스트곱셈리덕션
내적(I, I \rightarrow 1)없음.(x_i y_i)(\sum_i x_i y_i)
GEMV(IJ, J \rightarrow I)(I)에 걸친 (x).(A_{ij} x_j)(y_i = \sum_j A_{ij} x_j)
GEMM(IK, KJ \rightarrow IJ)(J)에 걸친 (A)와 (I)에 걸친 (B).(A_{ik} B_{kj})(C_{ij} = \sum_k A_{ik} B_{kj})

이 페이지는 입문 수준의 수학만 다룹니다. 매핑, 이동, 엔진 계약은 각각의 참조 장에서 다룹니다.


원문 © FuriosaAI · Programming Tensor Contraction Processors · Apache License 2.0 · NOTICE
yeokja 한국어 번역 · Anthropic 사의 claude-sonnet-5 모델을 활용하여 번역되었으며 학습을 모두 비허용한 상태로 작업하였습니다 · 이 문서는 원문을 수정한 비공식 번역본이며 Apache License 2.0으로 제공합니다.