在使用numpy linalg svd时遇到问题
。
numpy是一个Python科学计算库，linalg模块提供了线性代数的函数。svd函数是其中的一个函数，用于计算矩阵的奇异值分解（Singular Value Decomposition，SVD）。
当在使用numpy linalg svd函数时遇到问题，可能是以下几种情况：
- 输入矩阵不满足要求：numpy linalg svd函数要求输入的矩阵是二维的。如果输入的矩阵不是二维的，可以使用numpy的reshape函数将其转换为二维矩阵。
- 矩阵不可逆：SVD是一种矩阵分解方法，要求输入的矩阵是可逆的。如果输入的矩阵不可逆，可能会导致计算失败。可以通过检查矩阵的行列式是否为0来判断矩阵是否可逆。
- 内存不足：SVD计算需要消耗大量的内存，如果输入的矩阵过大，可能会导致内存不足的问题。可以尝试减小输入矩阵的规模，或者使用分块SVD算法来处理大规模矩阵。
- 数值精度问题：在计算过程中，可能会遇到数值精度问题，导致计算结果不准确。可以尝试使用numpy的其他函数来处理数值精度问题，例如numpy.linalg.svd的参数full_matrices和compute_uv。
对于以上问题，可以参考以下链接获取更详细的解决方案：
- numpy官方文档：https://numpy.org/doc/stable/reference/routines.linalg.html#module-numpy.linalg
- numpy linalg svd函数文档：https://numpy.org/doc/stable/reference/generated/numpy.linalg.svd.html
腾讯云相关产品推荐： 腾讯云提供了丰富的云计算产品和解决方案，可以满足各种应用场景的需求。以下是一些与云计算相关的腾讯云产品：
- 云服务器（CVM）：提供弹性计算能力，可根据实际需求快速创建、部署和管理云服务器实例。链接：https://cloud.tencent.com/product/cvm
- 云数据库MySQL版（CDB）：提供高可用、可扩展的MySQL数据库服务，支持自动备份、容灾和监控等功能。链接：https://cloud.tencent.com/product/cdb_mysql
- 云存储（COS）：提供安全、稳定、低成本的对象存储服务，适用于存储和处理各种类型的数据。链接：https://cloud.tencent.com/product/cos
- 人工智能平台（AI Lab）：提供丰富的人工智能算法和模型，帮助开发者快速构建和部署人工智能应用。链接：https://cloud.tencent.com/product/ailab
请注意，以上推荐的腾讯云产品仅供参考，具体选择应根据实际需求和项目要求进行评估。
相关·内容
2回答
我在表演numpy svd
U, S, V = np.linalg.svd(A)
A的形状是：
(10000, 10000)
由于大小，它给我的内存错误：
U, S, V = np.linalg.svd(A, full_matrices=False) # nargout=3
File "/usr/lib/python2.7/dist-packages/numpy/linalg/linalg.py", line 1319, in svd
work = zeros((lwork,), t)
MemoryError
那么我如何为我的矩阵找到svd？
浏览 0提问于2014-01-17得票数 3
1回答
svd公式：A ≈ UΣV*我使用numpy.linalg.svd运行svd算法。我要设定矩阵的维数。
例如：A=3*5维度，运行numpy.linalg.svd之后，U=3*3维度，Σ=3*1维度，V*=5*5维度。
我需要设置特定的维度，比如U=3*64维度，V*=64*5维度。但是在numpy.linalg.svd中似乎没有可选的尺寸参数可以设置。
浏览 0提问于2018-02-28得票数 0
回答已采纳
2回答
应用SVD会立即抛出内存错误吗？
、、、、
我正在尝试对经过一些文本处理(最终目标是执行潜在语义分析)获得的矩阵(3241x 12596)应用奇异值分解( SVD )，我不能理解为什么会发生这种情况，因为我的64位机器有16 of的RAM。一旦调用svd(self.A)，它就会抛出一个错误。精确的误差如下所示：
Traceback (most recent call last):
File ".\SVD.py", line 985, in <module>
_svd.calc()
File ".\SVD.py", line 534, in calc
self.U, se
浏览 3提问于2011-08-22得票数 7
回答已采纳
我正在使用numpy.linalg提供的一些函数，比如numpy.linalg.svd、scipy.linalg.qr、scipy.linalg.lstsq等等。这些函数API表示它们使用了一些LAPACK例程，例如numpy.linalg.svd使用LAPACK例程_gesdd。我的问题是，我需要这些函数的理论时间复杂度，并且我可以找到这方面的任何信息。 我在哪里可以找到这些信息？
浏览 11提问于2020-07-26得票数 2
公认的智慧是更喜欢scipy.linalg而不是numpy.linalg函数。对于线性代数，理想情况下(并且方便地)，我希望将numpy.array和scipy.linalg的功能组合在一起，而不考虑使用numpy.linalg。这并不总是可能的，可能会变得太令人沮丧。
是否有来自这两个模块的等效函数的比较清单，以快速确定在numpy.linalg中缺少函数时何时使用scipy.linalg？
例如，有scipy.linalg.norm()和numpy.linalg.norm()，但似乎没有numpy.linalg.matrix_rank()和numpy.linalg.cond()的同义词。
浏览 8提问于2016-07-03得票数 7
回答已采纳
我使用以下命令将带有GPU支持和Keras的Tensorflow安装到Anaconda (v1.6.5)中的环境中：
conda install -n EnvName tensorflow-gpu
conda install -n EnvName -c conda-forge keras-gpu
我的机器上有NVIDIA Quadro 2200 K，驱动程序为v384.66，cuda-8.0，cudn7.0
当我试图在培训阶段使用Keras运行python代码时，我得到以下信息
Intel MKL错误:参数4在进入DLASCL时不正确。
以及以后的
文件"/home/User
浏览 7提问于2017-10-10得票数 5
回答已采纳
我试图手动计算矩阵A的SVD，但是我遇到了一些问题。用numpy中的svd方法手工计算它，得到两个不同的结果。
以下是手工计算：
import numpy as np
A = np.array([[3,2,2], [2,3,-2]])
V = np.linalg.eig(A.T @ A)[1]
U = np.linalg.eig(A @ A.T)[1]
S = np.c_[np.diag(np.sqrt(np.linalg.eig(A @ A.T)[0])), [0,0]]
print(A)
print(U @ S @ V.T)
并通过numpy的svd方法计算：
X,Y,Z = np.lin
浏览 0提问于2018-09-24得票数 0
回答已采纳
1回答
我想在一个大数组M[159459,159459]上执行一个SVD。
由于奇异值分解的计算依赖于形状(159459,159459)的输入矩阵，所以这个不能满足我的目标。
我试着用：
scipy.linalg.svd
scipy.linalg.svd(check_finite=False)
将驱动程序更改为lapack_driver='gesvd
numpy.linalg.svd
然而，我总是得到一个MemoryError。最后，我想计算整个SVD，因为我想执行一个M = USV'分析，也就是说，如果M是我现在拥有的矩阵，我需要。
import numpy
浏览 8提问于2019-07-06得票数 3
回答已采纳
我有一个数组：
Num Col2 Col3 Col4
1 6 1 1
2 60 0 2
3 60 0 1
4 6 0 1
5 60 1 1
和代码：
y = df.loc[:,'Col3'] # response
X = df.loc[:,['Col2','Col4']] # predictor
X = sm.add_constant(X) #add constant
est = sm.OLS(y, X) #bui
浏览 1提问于2015-03-28得票数 5
我想在矩阵上运行主成分分析，但只得到了一个numpy.linalg.linalg.LinAlgError。我附上了矩阵和我的代码。
在这里获取矩阵：
import numpy as np
from sklearn.decomposition import PCA
matrix = np.load("matrix.npy")
transformed = PCA(n_components=3).fit_transform(matrix)
下面是完整的堆栈跟踪，但我认为您可以重现它。
Traceback (most recent call last):
File "<
浏览 2提问于2015-07-08得票数 0
问题描述
对于方阵，可以得到奇异值。
X= USV'
分解，使用简单的numpy.linalg.svd
u,s,vh = numpy.linalg.svd(X)
在Hermitian矩阵X'X和XX'上计算eig分解的例程或
他们在使用相同的算法吗？打电话给同一个Lapack例程？
速度有什么不同吗？和稳定？
浏览 1提问于2018-05-15得票数 4
回答已采纳
1回答
在我的Python代码中，我使用计算了一些数据的SVD。
from numpy import linalg
(_, _, v) = linalg.svd(m)
由此返回的V矩阵是：
[[ 0.4512937 -0.81992002 -0.35222884]
[-0.22254721 0.27882908 -0.93419863]
[ 0.86417981 0.4999855 -0.05663711]]
在将代码移植到C++时，我转而使用来计算SVD：
#include <armadillo>
arma::fmat M; // Input data
arma::fmat
浏览 1提问于2013-11-21得票数 4
回答已采纳
因为numpy.linalg.svd()是一个预定义的函数，所以我没有找到它的内部代码。
from scipy import linalg
u, s, v = np.linalg.svd(b, full_matrices=True)
浏览 7提问于2022-04-24得票数 1
回答已采纳
我想在Python的代码方面得到一些帮助。我是Python的新手。
在高级时，我从命令行读取一个(.png)文件，放入原始数组，计算svd，在命令行的基础上找到高等级的svd，与原始数组相乘，然后将文件和数组输出。
我的问题是:生成的文件被扭曲了，看起来不像我想要生成的真实图片。
我的问题是:我已经把我正在使用的代码片段放好了，你能指出我做的不对吗？
import sys
import os
import numpy
import numpy.linalg
import scipy.misc
def getOutputPngName(path, rank):
filename, ex
浏览 3提问于2017-11-28得票数 1
回答已采纳
2回答
SciPy和Numpy都有用于奇异值分解的内置函数。这些命令基本上是scipy.linalg.svd和numpy.linalg.svd。这两者之间的区别是什么？他们中有哪一个比另一个更好吗？
浏览 4提问于2015-09-15得票数 14
我有以下对numpy.linalg.lstsq的调用：
X=[ 0.69314718 1.38629436 1.79175947]
Y= 0。0.20273255 0.5815754 0.7520387 0.96885669 1.09861229
L= numpy.linalg.lstsq(x，y)
它会返回
L ->元组：(数组( 0.46323573)，数组( 0.25872885)，1，数组( 3.63269497))
谁能指出中的等效函数(如果可用)
(或者可能在其他Java数学库中...)
浏览 2提问于2011-02-16得票数 1
回答已采纳
2回答
我尝试用两种不同的方法(协方差法和特征面PCA法)用numpy.linalg.eig实现主成分分析，并将结果与sklearn的pca方法进行了比较。但是我观察到我的结果是不同的，所以我想知道我在犯哪一个错误。我有3个样本，每个样本有4个特征。我试图将样本的维数降到3。编辑:添加与SVD方法。IThe结果使用协方差主成分分析，SVD和PCA比较接近。但与“特征面”方法完全不同，为什么？从sklearn.decomposition导入PCA作为np导入numpy
x = np.array([[0.5, 0.8, 1.5, -2.4], [-1.9, -8.7, 0.02, 4.9], [5.5,6
浏览 2提问于2017-11-17得票数 2
回答已采纳
我想通过cupy.linalg.svd对一堆矩阵进行奇异值分解，计算每个矩阵的奇异值分解。
import cupy as cp
arr = cp.random.uniform(size=(1000, 3, 3), dtype=cp.float32)
sing_vals = cp.linalg.svd(arr, compute_uv=False, full_matrices=False)
这会产生一个错误，声称arr不是2D的。显然，cp.linalg.svd只能计算单个二维矩阵的奇异值。然而，numpy.linalg.svd总是在数组的最后两个轴上计算SVD，这一点要强大得多。
在cupy*
浏览 2提问于2019-04-04得票数 1
回答已采纳
1回答
非平方矩阵上的SVD
、、、、
我使用numpy.linalg.svd()得到矩阵的奇异值分解。但是对于一个非平方矩阵，我不能从分解返回到原始矩阵。
例如，对于方阵：
import numpy as np
n=5
# make a random (n,n) matrix
A= np.reshape( np.random.random_integers(0, 9, size= n**2), (n, n))
#SVD
U,S,Vh = np.linalg.svd(A)
# to get A from the SVD back
A_svd = U@np.diag(S)@Vh
#check if its the same
pr
浏览 8提问于2022-01-11得票数 0
回答已采纳
我想计算N8x8 Hermitian矩阵的谱范数，N接近1E6。例如，以这100万个随机复8x8矩阵为例：
import numpy as np
array = np.random.rand(8,8,1e6) + 1j*np.random.rand(8,8,1e6)
目前，使用numpy.linalg.norm需要将近10秒的时间：
np.linalg.norm(array, ord=2, axis=(0,1))
我尝试使用下面的Cython代码，但这只给了我一个微不足道的性能改进：
import numpy as np
cimport numpy as np
cimport cython
浏览 17提问于2015-11-08得票数 4
回答已采纳
1回答
Python伪逆和向量行列式
、、、、
如何计算向量的伪逆和行列式？(最好是用numpy或更好的熊猫)
我试过了，但不起作用：
import numpy
vect = [1, 2, 3, 4]
numpy.linalg.pinv(vect)
但是我得到了这个错误：
---------------------------------------------------------------------------
LinAlgError Traceback (most recent call last)
<ipython-input-106-e362654e383f&
浏览 1提问于2013-04-09得票数 2
回答已采纳
1回答
我合并了两个数据帧，它们有一些公共的列，但是有一些不同的列。我想将奇异值分解(SVD)应用于组合数据帧.但是，填充NaN值会影响结果，在我的情况下，即使用零填充数据也是错误的，因为有些列的值为零。下面是一个例子。有什么办法解决这个问题吗？
>>> df1 = pd.DataFrame(np.random.rand(6, 4), columns=['A', 'B', 'C', 'D'])
>>> df1
A B C D
0 0.
浏览 6提问于2016-02-23得票数 0
下面是我的numpy数组：
z
[[ 3.90311860e-322 1.83939721e-001]
[ 0.00000000e+000 1.83939721e-001]
[ 0.00000000e+000 9.96473555e-001]
[ 0.00000000e+000 1.83939721e-001]
[ 0.00000000e+000 1.03585447e+000]
[ 0.00000000e+000 1.83939721e-001]
[ 0.00000000e+000 1.83939721e-001]
[ 0.0000
浏览 1提问于2014-05-08得票数 2
回答已采纳
3回答
在中，提出了求解线性方程M·x=b(矩阵M为平方)的方法是缓慢的(用QR分解法求解)。现在我注意到numpy.linalg.solve实际上正在使用LU分解。事实上，对于最小二乘的非平方范德蒙设计矩阵V，我想求出"V·x = b“。我不想要正规化。我看到了多种方法：
用numpy.linalg.lstsq求解"V·x = b“，采用基于奇异值分解的Fortran "xGELSD”。SVD比LU分解还要慢，但我不需要计算"(V^T·V)“。
用numpy.linalg.solve对"(V^T·V)·x = (V^T·b)“进行LU分解。
用nu
浏览 0提问于2019-03-26得票数 4
1回答
我有一个大的二维ndarray，A和我想要计算最大特征值和相关联的特征向量对的奇异值。从NumPy文档来看，NumPy似乎只能计算完整的SVD (numpy.linalg.svd)，而SciPy有完全满足我需要的方法(scipy.sparse.linalg.svds)，但是使用稀疏矩阵，我不想执行A的转换，因为这需要额外的计算时间。
到目前为止，我一直在SciPy svds上直接使用A，但是文档阻止将ndarrays传递给这些方法。
是否有一种方法可以使用接受ndarray对象的方法来执行此任务？
浏览 6提问于2017-02-18得票数 2
回答已采纳
我得到了上述错误，尽管我检查我没有丢失或无穷大的值，当尝试用np.linalg.lstsq...Any思想进行线性回归时？我递归地执行这些回归，并打印X和Y的形状，它们总是相同的，但这会在特定迭代中引发错误
---> 17 betas = np.linalg.lstsq(X,Y,rcond=None)[0]
18
19 res = Y - X.dot(betas)
<__array_function__ internals> in lstsq(*args, **kwargs)
~\anaconda3\l
浏览 83提问于2021-03-15得票数 2
1回答
我尝试使用numpy库中的奇异值分解算法(numpy-MKL-1.6.2.win-amd64-py2.7)，但我认为这个函数不正确。此函数具有以下语句：
from numpy.linalg import *
U, S, V = svd(A, full_matrices=0)
我的假设是基于与Matlab中相同函数的比较比较，这给出了正确的答案。我还发现了与V矩阵计算错误有关的问题。
例如，我有一个矩阵A：
A =[-15.5714, 19.2143, 15.0000; -2.8462, 7.7692, -3.9615; -19.5000, 3.1111, 4.55
浏览 2提问于2012-10-22得票数 2
回答已采纳
1回答
我想要计算矩阵的奇异值分解，以及奇异值的顺序是很重要的。默认情况下，numpy.linalg.svd (和scipy.linalg.svd)对奇异值进行排序，这使得我无法判断哪一列对应于每个奇异值。
示例：
import numpy as np
X = np.array([[-74, 80, 18, -56, -112],
[14, -69, 21, 52, 104],
[66, -72, -5, 764, 1528],
[-12, 66, -30, 4096, 8192],
[3
浏览 0提问于2019-04-20得票数 2
回答已采纳
如何解决这个问题？ V = np.array([[-0.42866713, -0.56630692, -0.7039467 ],
[ 0.80596391, 0.11238241, -0.58119908],
[ 0.40824829, -0.81649658, 0.40824829]])
S = np.array([9.508032 , 0.77286964])
np.dot(S, V) #throws error ValueError: shapes (2,) and (3,3) not aligned: 2 (dim 0)
浏览 73提问于2021-03-24得票数 1
在用scipy.io.loadmat从Matlab导入之后，事情看起来工作得很好，直到我们尝试计算其中一个矩阵的条件数。
下面是为我们重现的最小代码量：
import scipy
import numpy
stuff = scipy.io.loadmat("dati-esercizio1.mat")
numpy.linalg.cond(stuff["A"])
下面是iPython提供的扩展堆栈跟踪：
In [3]: numpy.linalg.cond(A)
----------------------------------------------------
浏览 2提问于2012-10-29得票数 2
1回答
我正在尝试摸索numpy svd vs eig的想法和行为。为什么它们会产生不同的结果？我是在比较苹果和苹果吗？希望我的用法是正确的。下面是我尝试理解SVD和特征向量的简单代码
import numpy as np
from sklearn import preprocessing
np.random.seed(123)
np.set_printoptions(suppress=True)
X = np.random.rand(2, 3)
X1 = preprocessing.scale(X, axis=1)
cov = np.matmul(X1.T, X1)/X1.shape[0]
U
浏览 10提问于2021-03-04得票数 0
我有以下numpy的奇怪行为，它不能将(n,n)矩阵与(n,)矩阵相乘，并将后者转换为(1,n)矩阵。我尝试了不同的例子，它工作得很好。u和s从svd函数中获得，如下所示：
[u, s, vt] = np.linalg.svd(G)
svd_estimate = np.matmul(u * s, vt)
G是一个数值矩阵。我尝试squeeze(s)，但也不起作用。我遗漏了什么？numpy版本为'1.19.2'
浏览 8提问于2020-11-14得票数 1
回答已采纳
1回答
我有数据，我需要中心和规模，所以这是围绕着原点。然后需要旋转数据，使最大方差的方向在x轴上。然后计算数据的平均值和协方差。我需要协方差矩阵的第一个元素是1，我认为这是通过调整比例因子来完成的，但是我不知道标度因子应该是什么。
为了使数据中心化，我取掉平均值，然后旋转，我使用SVD，但是缩放仍然是我的问题。
signature = numpy.loadtxt(name, comments = '%', usecols = (0,cols-1))
signature = numpy.transpose(signature)
#SVD to get D so that data c
浏览 2提问于2012-04-05得票数 0
回答已采纳
我跟随在Python下使用PCA，但很难确定要选择哪些特性(即，我的列/特性中哪一列/特性的方差最好)。
当我使用scipy.linalg.svd时，它会自动对我的奇异值进行排序，因此我无法判断它们属于哪一列。
示例代码：
import numpy as np
from scipy.linalg import svd
M = [
[1, 1, 1, 1, 1, 1],
[3, 3, 3, 3, 3, 3],
[2, 2, 2, 2, 2, 2],
[9, 9, 9, 9, 9, 9]
]
M = np.transpose(np.array(M))
U,s
浏览 4提问于2013-01-07得票数 3
回答已采纳
1回答
我正在尝试用numpy (这里是python新手)做以下事情
创建正确维度的归零矩阵
num_rows = 80
num_cols = 23
A = numpy.zeros(shape=(num_rows, num_cols))
对矩阵进行运算
k = 5
numpy.transpose(A)
U,s,V = linalg.svd(A)
提取子矩阵
sk = s[0:(k-1), 0:(k-1)]
出错时的结果
Traceback (most recent call last):
File "tdm2svd.py", line 40, in <module>
sk
浏览 0提问于2012-12-06得票数 3
回答已采纳
当导入tensorflow时，我得到以下错误：
Intel MKL错误:参数4在进入DLASCL时不正确。
Intel MKL错误:参数4在进入DLASCL时不正确。回溯(最近一次调用)：
文件“/xxx/skrapt.py”，第25行，在h1 = LSTM(50)(input1) File 第268行中，在call Re返回超级(递归，self).call(inputs，**kwargs)中
文件"/xxx/anaconda3/lib/python3.6/site-packages/keras/engine/topology.py"，第575行，call self.buil
浏览 2提问于2017-10-27得票数 1
回答已采纳
1回答
我正在学习如何在Python中处理多精度算术的教程。
最后，我想要一个具有任意高精度浮动的numpy数组，并且我需要逆该矩阵。
因此，我们有：
import sys
import numpy as np
import gmpy2
print(sys.version)
print(np.__version__)
print(gmpy2.version)
3.6.10 | packaged by conda-forge | (default, Apr 24 2020, 16:27:41)
[GCC Clang 9.0.1 ]
1.12.1
<built-in function versi
浏览 9提问于2020-10-18得票数 0
回答已采纳
我是大学计算机科学专业的学生，正在为我的Calc III课程做一个涉及奇异值分解的编程项目。其思想基本上是将m×n维的图像转换成m×n矩阵，其中每个元素是表示点(m，n)处的像素的颜色通道(r，g，b)的元组。我之所以使用Python，是因为到目前为止，Python是我唯一真正(学得很好)的语言。
据我所知，Python通常不喜欢将元组作为数组的元素。我自己做了一点研究，找到了一个解决办法，即按如下方式预先分配数组：
def image_to_array(): #converts an image to an array
aPic = loadPicture("zorak_
浏览 1提问于2010-11-20得票数 15
我有一个很大的数据文件(大约4 GB)，我在一台pc上使用spark分析它。
scala> x
res29: org.apache.spark.mllib.linalg.distributed.RowMatrix = org.apache.spark.mllib.linalg.distributed.RowMatrix@5a86096a
scala> x.numRows
res27: Long = 302529
scala> x.numCols
res28: Long = 1828
当我尝试计算主成分时，我得到一个内存错误：
scala> val pc: Matri
浏览 3提问于2015-03-30得票数 1
1回答
我想在我自己的数据集上复制斯坦福讲座中提到的SVD方法。讲座的幻灯片如下
我的数据集是相同类型的，它是一个单词共生矩阵M，其大小为
<13840x13840 sparse matrix of type '<type 'numpy.int64'>'
with 597828 stored elements in Compressed Sparse Column format>
从CountVectorizer()生成和处理，注意这是一个对称矩阵。
但是，当我试图从SVD中提取特性时，下列代码都不起作用，
第一次尝试：
scipy.
浏览 3提问于2017-10-02得票数 0
回答已采纳
1回答
我从未使用过numpy来表示比images或volumetric data更多的东西，我会在它们上运行操作。总之，numpy对存储一张桌子有什么好处，还是更适合在熊猫身上保存？
基本上，我需要存储粒子来表示粒子运动，我不知道如何定义形状，这样我就可以在矩阵上运行linalg.svd并更新最后一个字段Determinant
Position (Vector3 or 3 floats)
Velocity (Vector3 or 3 floats)
Matrix (Matrix or 9 floats)
Determinant (1 float)
我想我会创造一个形状的(16, 1000)来容纳10
浏览 0提问于2018-09-10得票数 0
回答已采纳
3回答
在我的python代码中，我一直收到以下错误： TypeError:找不到与ufunc svd_n的指定签名和类型转换匹配的循环 代码如下： import numpy as np
from numpy.linalg import norm
def sdm_3eqs():
def f_bold(x):
return [15*x[0] + x[1]**2 - 4*x[2] - 15, x[0]**2 + 10*x[1] - x[2] - 10, x[1]**3 - 25*x[2] + 24]
def f(x):
f_n = []
浏览 56提问于2021-10-20得票数 0
回答已采纳
numpy.linalg.svd函数给出输入矩阵的全奇异值分解。然而，我只想要第一个奇异向量。
我想知道在numpy中有没有针对这个的函数，或者在python中有其他库吗？
浏览 1提问于2016-04-15得票数 3
我在使用来自pinv模块的numpy.linalg函数时遇到了问题。我想反演一个矩形矩阵A
try:
Binv = np.linalg.pinv(A)
except:
print("an error occurs")
当我运行代码时，不会引发任何异常，但是在我的Python提示符中会出现以下红色文本：init_dgesdd failed init。
但是，当我在其他上下文中使用我的代码时(不同的形状，不同的条件值.)效果很好。
浏览 11提问于2015-03-16得票数 4
回答已采纳
1回答
我正在尝试使用python重现一些用Matlab编写的大型项目。我设法重现了大部分结果，但我在SVD分解方面有一个特别的问题。(我只看最后的V部分。)
在Matlab中：
[~, ~, V] = svd([4.719, -17.257, -11.5392; -17.2575, 63.9545, 40.5581; -11.5392, 40.5581, 31.3256]);
这就得到了下面的V：
-0.2216 0.0241 -0.9748
0.8081 -0.5549 -0.1974
0.5457 0.8316 -0.1035
在numpy中：
np.linalg.
浏览 1提问于2018-08-31得票数 3
回答已采纳
我正在学习这个post和这个post。 我试图用Python，NumPy将计算结果重现为这个post。 H = np.array([[0.1, 0.3, .4],[0.5 , 0.5, 0.9],[0.1, 0.4, 0.5]])
u, s, vh = np.linalg.svd(H)
w, v = np.linalg.eig(H*H) 与此post相比，np.linalg.eig(H*H)给出的结果截然不同。 为什么会这样呢？
浏览 40提问于2019-06-24得票数 3
1回答
x_tsvd是长度为460万(行)的矩阵。svd_tfidf是长度为1862年(行)的矩阵。
两个矩阵具有相同的列数(260)。
我将计算每46M行x_tsvd的每一个1862年svd_tfidf的余弦相似性。
有什么方法可以优化它吗这样就可以减少时间了。
from numpy.linalg import norm
best_match=[]
keys=np.array(df_5M['file'])
values=np.array(df['file'])
for i in range(len(x_tsvd)):
array_=[]
for j
浏览 6提问于2022-06-30得票数 0
给定一个5x4矩阵A= ? 一段构建矩阵的python代码 A = np.array([[1, 0, 0, 0],
[0, 0, 0, 4],
[0, 3, 0, 0],
[0, 0, 0, 0],
[2, 0, 0, 0]]) wolframalpha给出svd结果 ? 具有奇异值Σ的向量的形式如下 ? np.linalg.svd输出中的等效数量(NumPy称其为s)如下所示 [ 4. 3. 2.23606798 -0.
浏览 31提问于2019-06-24得票数 2
回答已采纳
1回答
Python中的SVD图像重建
、、、、
我正在尝试对这个图像进行奇异值分解： 📷 取前10个值。我有这样的代码： from PIL import Image
import numpy as np
img = Image.open('bee.jpg')
img = np.mean(img, 2)
U,s,V = np.linalg.svd(img)
recon_img = U @ s[1:10] @ V 但是当我运行它时，它抛出了这个错误： ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with guf
浏览 10提问于2020-07-10得票数 1
回答已采纳
1回答
我一直在努力寻找获得矩阵的第一个和前两个奇异值的方法。但在我们的研究之后，我想我可以在这里得到一些关于如何找到矩阵的第一个奇异值的帮助。 import numpy.matlib
import numpy as np
from scipy.linalg import svd
def get_singular_values(M, k):
u, s, v = np.linalg.svd(M, full_matrices=False)
singular_values = numpy.matrix(u[:, :k]) * numpy.diag(s[:k]) *
浏览 35提问于2019-10-04得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
