torch.linalg.cholesky

torch.linalg.cholesky(A, *, upper=False, out=None) → Tensor

计算复厄米特或实对称正定矩阵的 Cholesky 分解。

令 $\mathbb{K}$ 为 $\mathbb{R}$ 或 $\mathbb{C}$，复厄米特或实对称正定矩阵 $A \in \mathbb{K}^{n \times n}$ 的 **Cholesky 分解** 定义为

$$A = LL^{\text{H}}\mathrlap{\qquad L \in \mathbb{K}^{n \times n}}$$

其中 $L$ 是一个下三角矩阵，对角线为实正数（即使在复数情况下也是如此），并且 $L^{\text{H}}$ 是共轭转置，当 $L$ 为复数时，为转置，当 $L$ 为实数值时。

支持 float、double、cfloat 和 cdouble 数据类型。还支持矩阵批次，如果 A 是一个矩阵批次，则输出具有相同的批次维度。

注意

当输入在 CUDA 设备上时，此函数会将该设备与 CPU 同步。有关不进行同步的此函数版本，请参见 torch.linalg.cholesky_ex()。

另请参阅

torch.linalg.cholesky_ex() 用于此操作的版本，默认情况下会跳过（缓慢的）错误检查，而是返回调试信息。这使得它成为检查矩阵是否为正定的更快方法。

torch.linalg.eigh() 用于 Hermitian 矩阵的不同分解。特征值分解提供了关于矩阵的更多信息，但计算速度比 Cholesky 分解慢。

参数

A (Tensor) – 形状为 (*, n, n) 的张量，其中 * 为零个或多个批次维度，由对称或 Hermitian 正定矩阵组成。

关键字参数

• upper (bool, 可选) – 是否返回上三角矩阵。使用 upper=True 返回的张量是使用 upper=False 返回的张量的共轭转置。

• out (Tensor, 可选) – 输出张量。如果为 None，则忽略。默认值：None。

引发

RuntimeError – 如果 A 矩阵或批次 A 中的任何矩阵不是 Hermitian（分别为对称）正定。如果 A 是一个矩阵批次，错误消息将包括第一个不满足此条件的矩阵的批次索引。

示例

>>> A = torch.randn(2, 2, dtype=torch.complex128)
>>> A = A @ A.T.conj() + torch.eye(2) # creates a Hermitian positive-definite matrix
>>> A
tensor([[2.5266+0.0000j, 1.9586-2.0626j],
        [1.9586+2.0626j, 9.4160+0.0000j]], dtype=torch.complex128)
>>> L = torch.linalg.cholesky(A)
>>> L
tensor([[1.5895+0.0000j, 0.0000+0.0000j],
        [1.2322+1.2976j, 2.4928+0.0000j]], dtype=torch.complex128)
>>> torch.dist(L @ L.T.conj(), A)
tensor(4.4692e-16, dtype=torch.float64)

>>> A = torch.randn(3, 2, 2, dtype=torch.float64)
>>> A = A @ A.mT + torch.eye(2)  # batch of symmetric positive-definite matrices
>>> L = torch.linalg.cholesky(A)
>>> torch.dist(L @ L.mT, A)
tensor(5.8747e-16, dtype=torch.float64)