torch.lu

torch.lu(*args, **kwargs)

计算矩阵或矩阵批次的 LU 分解 A。返回一个包含 A 的 LU 分解和枢轴的元组。如果 pivot 设置为 True，则执行枢轴操作。

警告

torch.lu() 已弃用，建议使用 torch.linalg.lu_factor() 和 torch.linalg.lu_factor_ex()。 torch.lu() 将在未来的 PyTorch 版本中移除。 LU, pivots, info = torch.lu(A, compute_pivots) 应替换为

LU, pivots = torch.linalg.lu_factor(A, compute_pivots)

LU, pivots, info = torch.lu(A, compute_pivots, get_infos=True) 应替换为

LU, pivots, info = torch.linalg.lu_factor_ex(A, compute_pivots)

注意

• 批次中每个矩阵的返回置换矩阵由大小为 min(A.shape[-2], A.shape[-1]) 的 1 索引向量表示。 pivots[i] == j 表示在算法的第 i 步中，第 i 行与第 j-1 行进行了置换。

• 对于 CPU，无法使用 pivot = False 的 LU 分解，尝试这样做会引发错误。但是，对于 CUDA，可以使用 pivot = False 的 LU 分解。

• 如果 get_infos 为 True，则此函数不会检查分解是否成功，因为分解的状态存在于返回元组的第三个元素中。

• 对于 CUDA 设备上大小小于或等于 32 的方形矩阵批次，由于 MAGMA 库中的错误（请参阅 magma 问题 13），会对奇异矩阵重复 LU 分解。

• L、U 和 P 可以使用 torch.lu_unpack() 推导出来。

警告

当 A 为满秩矩阵时，此函数的梯度才是有限的。这是因为 LU 分解仅在满秩矩阵处可微。此外，如果 A 接近于非满秩，则梯度在数值上将不稳定，因为它依赖于 $L^{-1}$ 和 $U^{-1}$ 的计算。

参数

• A (张量) – 要分解的张量，大小为 $(*, m, n)$

• pivot (布尔值, 可选) – 控制是否进行旋转。默认值：True

• get_infos (布尔值, 可选) – 如果设置为 True，则返回一个 info IntTensor。默认值：False

• out (元组, 可选) – 可选输出元组。如果 get_infos 为 True，则元组中的元素为 Tensor、IntTensor 和 IntTensor。如果 get_infos 为 False，则元组中的元素为 Tensor、IntTensor。默认值：None

返回值

包含以下内容的张量元组：

• factorization (张量): 大小为 $(*, m, n)$ 的分解结果

• pivots (IntTensor): 大小为 $(*, \text{min}(m, n))$ 的旋转点。 pivots 存储所有行的中间转置。最终排列 perm 可以通过对 i = 0, ..., pivots.size(-1) - 1 应用 swap(perm[i], perm[pivots[i] - 1]) 来重建，其中 perm 最初是 $m$ 个元素的恒等排列（本质上这就是 torch.lu_unpack() 的作用）。

• infos (IntTensor, 可选): 如果 get_infos 为 True，则这是一个大小为 $(*)$ 的张量，其中非零值表示矩阵或每个小批次的分解是成功还是失败

返回类型

(张量, IntTensor, IntTensor (可选))

示例

>>> A = torch.randn(2, 3, 3)
>>> A_LU, pivots = torch.lu(A)
>>> A_LU
tensor([[[ 1.3506,  2.5558, -0.0816],
         [ 0.1684,  1.1551,  0.1940],
         [ 0.1193,  0.6189, -0.5497]],

        [[ 0.4526,  1.2526, -0.3285],
         [-0.7988,  0.7175, -0.9701],
         [ 0.2634, -0.9255, -0.3459]]])
>>> pivots
tensor([[ 3,  3,  3],
        [ 3,  3,  3]], dtype=torch.int32)
>>> A_LU, pivots, info = torch.lu(A, get_infos=True)
>>> if info.nonzero().size(0) == 0:
...     print('LU factorization succeeded for all samples!')
LU factorization succeeded for all samples!