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对角化 时,此分解存在。当其所有特征值都不同时,就会出现这种情况。

支持 float、double、cfloat 和 cdouble 数据类型作为输入。还支持矩阵批处理,如果 A 是一个矩阵批处理,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

实数矩阵的特征值和特征向量可能是复数。

注意

当输入位于 CUDA 设备上时,此函数会将该设备与 CPU 同步。

警告

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

警告

返回的特征向量被归一化,使其范数为1。即使这样,矩阵的特征向量也不是唯一的,也不是关于A连续的。由于这种非唯一性,不同的硬件和软件可能会计算出不同的特征向量。

这种非唯一性是由以下事实引起的:将特征向量乘以eiϕ,ϕRe^{i \phi}, \phi \in \mathbb{R}会产生另一组矩阵的有效特征向量。因此,损失函数不应依赖于特征向量的相位,因为此量没有明确定义。在计算此函数的梯度时会检查这一点。因此,当输入在 CUDA 设备上时,此函数的梯度计算会将该设备与 CPU 同步。

警告

使用eigenvectors张量计算的梯度只有当A具有不同的特征值时才是有限的。此外,如果任何两个特征值之间的距离接近于零,则梯度在数值上是不稳定的,因为它依赖于特征值λi\lambda_i通过计算1minijλiλj\frac{1}{\min_{i \neq j} \lambda_i - \lambda_j}.

另请参阅

torch.linalg.eigvals()仅计算特征值。与torch.linalg.eig()不同,eigvals()的梯度在数值上始终是稳定的。

torch.linalg.eigh()用于计算厄米特和对称矩阵的特征值分解的(更快)函数。

torch.linalg.svd()用于计算另一种谱分解的函数,该函数适用于任何形状的矩阵。

torch.linalg.qr()用于计算另一种(快得多)分解的函数,该函数适用于任何形状的矩阵。

参数

A (张量) – 形状为(*, n, n)的张量,其中*是零个或多个批处理维度,包含可对角化的矩阵。

关键字参数

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

返回值

一个名为(eigenvalues, eigenvectors)的元组,对应于上面提到的Λ\LambdaVV

eigenvalueseigenvectors将始终是复数值,即使A是实数。特征向量将由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

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源