当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy linalg.svd用法及代码示例


本文简要介绍 python 语言中 scipy.linalg.svd 的用法。

用法:

scipy.linalg.svd(a, full_matrices=True, compute_uv=True, overwrite_a=False, check_finite=True, lapack_driver='gesdd')#

奇异值分解。

因式分解矩阵a分解为两个酉矩阵UVh,和一个一维数组s奇异值(实数,非负)使得a == U @ S @ Vh,其中S是具有主对角线的适当形状的零矩阵s.

参数

a (M, N) 数组

矩阵分解。

full_matrices 布尔型,可选

如果为真(默认),U电压有形状的(M, M),(N, N)。如果为 False,则形状为(M, K)(K, N),其中K = min(M, N).

compute_uv 布尔型,可选

除了 s 之外,是否还计算 UVh 。默认为真。

overwrite_a 布尔型,可选

是否覆盖a;可以提高性能。默认为假。

check_finite 布尔型,可选

是否检查输入矩阵是否仅包含有限数。禁用可能会提高性能,但如果输入确实包含无穷大或 NaN,则可能会导致问题(崩溃、非终止)。

lapack_driver {‘gesdd’, ‘gesvd’},可选

是否使用更有效的分而治之方法 ('gesdd') 还是通用矩形方法 ('gesvd') 来计算 SVD。 MATLAB 和 Octave 使用 'gesvd' 方法。默认为 'gesdd'

返回

U ndarray

具有左奇异向量作为列的酉矩阵。形状(M, M)或者(M, K), 根据full_matrices.

s ndarray

奇异值,按非递增顺序排序。形状 (K,),带有 K = min(M, N)

Vh ndarray

以右奇异向量为行的酉矩阵。形状(N, N)或者(K, N)根据full_matrices.

对于 compute_uv=False ,仅返回 s

抛出

LinAlgError

如果 SVD 计算不收敛。

例子

>>> import numpy as np
>>> from scipy import linalg
>>> rng = np.random.default_rng()
>>> m, n = 9, 6
>>> a = rng.standard_normal((m, n)) + 1.j*rng.standard_normal((m, n))
>>> U, s, Vh = linalg.svd(a)
>>> U.shape,  s.shape, Vh.shape
((9, 9), (6,), (6, 6))

从分解中重建原始矩阵:

>>> sigma = np.zeros((m, n))
>>> for i in range(min(m, n)):
...     sigma[i, i] = s[i]
>>> a1 = np.dot(U, np.dot(sigma, Vh))
>>> np.allclose(a, a1)
True

或者,使用 full_matrices=False (注意 U 的形状是 (m, n) 而不是 (m, m) ):

>>> U, s, Vh = linalg.svd(a, full_matrices=False)
>>> U.shape, s.shape, Vh.shape
((9, 6), (6,), (6, 6))
>>> S = np.diag(s)
>>> np.allclose(a, np.dot(U, np.dot(S, Vh)))
True
>>> s2 = linalg.svd(a, compute_uv=False)
>>> np.allclose(s, s2)
True

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.linalg.svd。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。