Los tensores son la escalera más allá de números, vectores y matrices
La palabra "tensor" suena difícil, pero solo nombra una escalera que enhebra cosas que ya conocemos. Una celda es solo un número (un escalar). Ponlas en fila y tienes un vector. Extiéndelas en una rejilla y tienes una matriz. Apila varias rejillas y tienes un cubo. Cuántos índices necesitas es justamente el rango (rank): cero, uno, dos, tres. El producto externo u⊗v = u vᵀ multiplica dos vectores hacia fuera para construir la matriz rank-1 más simple, y cualquier matriz puede armarse como suma de tales piezas (eso era la SVD). Una matriz también puede comerse dos vectores y devolver un número, uᵀ M v. Una sola imagen, y un lote entero de entrenamiento, también son tensores. Subamos la escalera peldaño a peldaño.
Sube el rango peldaño a peldaño con los botones. El rango 0 es una sola celda, solo un número; no necesitas índice para señalar un sitio. El rango 1 estira la celda en una línea y se vuelve un vector, y elegir qué celda toma un índice. El rango 2 extiende la línea en una rejilla y se vuelve una matriz, "qué fila, qué columna", así que dos índices. El rango 3 apila esas rejillas en un cubo, así que tres índices. De un vistazo ves que el rango es justamente el número de índices (ejes). La forma crece con él: punto, línea, hoja, volumen. Un tensor no es un monstruo nuevo, sino un nombre que pone las cosas que conocemos en la misma escalera.
Ahora multiplica dos vectores hacia fuera para hacer una matriz. Con los controles, pon u = (u1, u2) por la izquierda y v = (v1, v2) por arriba, y la celda (i, j) de la rejilla guarda ui · vj. Eso es u⊗v = u vᵀ. El número de cada sitio es el valor de la izquierda por el de arriba, y la celda se sombrea oscura o clara según su valor. Duplica u y una fila entera se duplica; sube v y una columna entera sube. Lo llamativo es que por mucho que gires los mandos, el rango de esta matriz es siempre 1: cada fila es múltiplo de u y cada columna múltiplo de v, así que hay una sola dirección independiente. El producto externo es la matriz más simple, un ladrillo rank-1.
Entonces, ¿cómo construimos una matriz cualquiera? Apilando varios ladrillos rank-1. Agrega capas una a una con el conmutador. La capa 1 es solo la primera pieza σ1·u1·v1ᵀ, así que imita a grandes rasgos solo el contorno de la matriz objetivo. Agrega la capa 2 y σ2·u2·v2ᵀ rellena la diferencia restante, de modo que la suma coincide exactamente con la matriz objetivo. La vista muestra la reconstrucción actual junto al objetivo e informa su diferencia como número. Este es el corazón de la SVD: toda matriz es A = Σ σk uk vkᵀ, una suma de piezas rank-1, y quedarse solo con los pocos σ mayores conserva casi toda la forma. La compresión nace justo aquí.
Puedes ver una matriz no como una "transformación" sino como una "máquina que come dos vectores". Inserta u por la izquierda y v por la derecha de una matriz fija M y sale un número: uᵀ M v. Este es un tensor rank-2 (una matriz) actuando como una forma bilineal que toma dos vectores y devuelve un escalar. Arrastra las flechas u y v en el plano de coordenadas. El panel de abajo muestra uᵀ M v en vivo. Mantén una fija y duplica solo la otra y el resultado también se duplica exacto. Es lineal en cada argumento por separado, de ahí "bilineal". Medir longitud (el producto interno), energía (½ xᵀ K x), curvatura, esfuerzo: toda cantidad que come dos direcciones y da un número encaja en este molde.
Por último, mira por qué los tensores son la lengua materna del aprendizaje automático. Agrega un eje a la vez con el conmutador. Una sola imagen en escala de grises es una rejilla de brillos de píxel, una matriz [H, W] (rank 2). Pasa a color y los canales rojo, verde y azul se apilan en un cubo [H, W, 3] (rank 3). Entrena con muchas imágenes a la vez y apilas N de esos cubos en [N, H, W, 3] (rank 4). La vista muestra, cada vez que agregas un eje, tanto la etiqueta de forma como cómo se apilan las rejillas. Un tensor no es decoración matemática abstracta sino un contenedor práctico que guarda los varios ejes de los datos en un solo recipiente. Por eso un marco de aprendizaje profundo lleva "Tensor" en su nombre.