Python mxnet.symbol.linalg.syevd用法及代码示例

用法:
mxnet.symbol.linalg.syevd(A=None, name=None, attr=None, out=None, **kwargs)

参数：

A：(Symbol) - 要分解的输入矩阵的张量
name：(string, optional.) - 结果符号的名称。

结果符号。

返回类型：

Symbol

对称矩阵的特征分解。输入是一个张量 A 的维度 n >= 2 。

如果 n=2 ， A 必须是对称的，形状为 (x, x) 。我们计算特征分解，得到特征向量的正交矩阵U，形状(x, x)，以及特征值的向量L，形状(x,)，因此：

U * A = diag(L) * U

这里：

U * U^T = U^T * U = I

其中I 是单位矩阵。另外，L(0) <= L(1) <= L(2) <= …(升序)。

如果 n>2 ，则 syevd 分别在 A 的尾随两个维度上执行(批处理模式)。在这种情况下，U 具有 n 尺寸，例如 A ，而 L 具有 n-1 尺寸。

注意：

该运算符仅支持 float32 和 float64 数据类型。

注意：

仅当 A 的所有特征值都不同且特征间隙不太小时，才定义此运算符的导数。如果您需要梯度，请不要将此运算符应用于具有多个特征值的矩阵。

例子：

Single symmetric eigendecomposition
A = [[1., 2.], [2., 4.]]
U, L = syevd(A)
U = [[0.89442719, -0.4472136],
     [0.4472136, 0.89442719]]
L = [0., 5.]

Batch symmetric eigendecomposition
A = [[[1., 2.], [2., 4.]],
     [[1., 2.], [2., 5.]]]
U, L = syevd(A)
U = [[[0.89442719, -0.4472136],
      [0.4472136, 0.89442719]],
     [[0.92387953, -0.38268343],
      [0.38268343, 0.92387953]]]
L = [[0., 5.],
     [0.17157288, 5.82842712]]

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.symbol.linalg.syevd。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

返回类型：

注意：

注意：