快捷方式

torch.linalg.eig

torch.linalg.eig(A, *, out=None)

计算方阵的特征值分解(如果存在)。

K\mathbb{K}R\mathbb{R}C\mathbb{C},方阵 AKn×nA \in \mathbb{K}^{n \times n} 的**特征值分解**(如果存在)定义为

A=Vdiag(Λ)V1VCn×n,ΛCnA = V \operatorname{diag}(\Lambda) V^{-1}\mathrlap{\qquad V \in \mathbb{C}^{n \times n}, \Lambda \in \mathbb{C}^n}

当且仅当 AA可对角化矩阵时,此分解存在。所有特征值都不同时即属于这种情况。

支持 float、double、cfloat 和 cdouble 数据类型的输入。也支持批处理矩阵,如果 A 是批处理矩阵,则输出具有相同的批处理维度。

返回的特征值不保证按任何特定顺序排列。

注意

实矩阵的特征值和特征向量可以是复数。

注意

当输入位于 CUDA 设备上时,此函数会同步该设备与 CPU。

警告

此函数假定 A可对角化的(例如,所有特征值都不同时)。如果它不可对角化,返回的特征值是正确的,但 AVdiag(Λ)V1A \neq V \operatorname{diag}(\Lambda)V^{-1}

警告

返回的特征向量被归一化为范数 1。即便如此,矩阵的特征向量也不是唯一的,并且它们关于 A 也不是连续的。由于这种非唯一性,不同的硬件和软件可能计算出不同的特征向量。

这种非唯一性是由于将特征向量乘以 $e^{i \phi}, \phi \in \mathbb{R}$ 会产生另一组有效的矩阵特征向量所致。因此,损失函数不应依赖于特征向量的相位,因为此量未被明确定义。在计算此函数的梯度时会进行检查。因此,当输入位于 CUDA 设备上时,计算此函数的梯度会同步该设备与 CPU。

警告

使用 eigenvectors 张量计算的梯度仅在 A 具有不同特征值时是有限的。此外,如果任意两个特征值之间的距离接近零,梯度将是数值不稳定的,因为它依赖于通过计算 1minijλiλj\frac{1}{\min_{i \neq j} \lambda_i - \lambda_j} 得到的特征值 λi\lambda_i

另请参阅

torch.linalg.eigvals() 仅计算特征值。与 torch.linalg.eig() 不同,eigvals() 的梯度总是数值稳定的。

torch.linalg.eigh() 计算 Hermitian 矩阵和对称矩阵的特征值分解(速度更快)。

torch.linalg.svd() 计算另一种适用于任意形状矩阵的谱分解。

torch.linalg.qr() 计算另一种(快得多)适用于任意形状矩阵的分解。

参数

A (Tensor) – 形状为 (*, n, n) 的张量,其中 * 是零或多个批处理维度,包含可对角化矩阵。

关键字参数

out (tuple, 可选) – 包含两个张量的输出元组。如果为 None 则忽略。默认值:None

返回

一个命名元组 (eigenvalues, eigenvectors),对应于上面的 Λ\LambdaVV

eigenvalueseigenvectors 将始终是复数值的,即使 A 是实数。特征向量由 eigenvectors 的列给出。

示例

>>> A = torch.randn(2, 2, dtype=torch.complex128)
>>> A
tensor([[ 0.9828+0.3889j, -0.4617+0.3010j],
        [ 0.1662-0.7435j, -0.6139+0.0562j]], dtype=torch.complex128)
>>> L, V = torch.linalg.eig(A)
>>> L
tensor([ 1.1226+0.5738j, -0.7537-0.1286j], dtype=torch.complex128)
>>> V
tensor([[ 0.9218+0.0000j,  0.1882-0.2220j],
        [-0.0270-0.3867j,  0.9567+0.0000j]], dtype=torch.complex128)
>>> torch.dist(V @ torch.diag(L) @ torch.linalg.inv(V), A)
tensor(7.7119e-16, dtype=torch.float64)

>>> A = torch.randn(3, 2, 2, dtype=torch.float64)
>>> L, V = torch.linalg.eig(A)
>>> torch.dist(V @ torch.diag_embed(L) @ torch.linalg.inv(V), A)
tensor(3.2841e-16, dtype=torch.float64)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源