Python mxnet.symbol.linalg.syevd用法及代碼示例

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

參數：

A：(Symbol) - 要分解的輸入矩陣的張量
name：(string, optional.) - 結果符號的名稱。

結果符號。

返回類型：

Symbol

對稱矩陣的特征分解。輸入是一個張量 A 的維度 n >= 2 。

如果 n=2 ， A 必須是對稱的，形狀為 (x, x) 。我們計算特征分解，得到特征向量的正交矩陣U，形狀(x, x)，以及特征值的向量L，形狀(x,)，因此：

U * A = diag(L) * U

這裏：

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

其中I 是單位矩陣。另外，L(0) <= L(1) <= L(2) <= …(升序)。

如果 n>2 ，則 syevd 分別在 A 的尾隨兩個維度上執行(批處理模式)。在這種情況下，U 具有 n 尺寸，例如 A ，而 L 具有 n-1 尺寸。

注意：

該運算符僅支持 float32 和 float64 數據類型。

注意：

僅當 A 的所有特征值都不同且特征間隙不太小時，才定義此運算符的導數。如果您需要梯度，請不要將此運算符應用於具有多個特征值的矩陣。

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]]

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.symbol.linalg.syevd。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

返回類型：

注意：

注意：