torch.linalg.eig¶
- torch.linalg.eig(A, *, out=None)¶
计算方阵的特征值分解(如果存在)。
设 为 或 ,方阵 的 **特征值分解**(如果存在)定义为
当且仅当 可 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( Λ ) V − 1 A \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通过计算.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,对应于上面提到的和。
eigenvalues和eigenvectors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)