快捷方式

torch.linalg.householder_product

torch.linalg.householder_product(A, tau, *, out=None) Tensor

计算 Householder 矩阵乘积的前 n 列。

K\mathbb{K}R\mathbb{R}C\mathbb{C},令 AKm×nA \in \mathbb{K}^{m \times n} 为一个矩阵,其列向量为 aiKma_i \in \mathbb{K}^m 对于 i=1,,mi=1,\ldots,m,其中 mnm \geq n。用 bib_i 表示将 aia_i 的前 i1i-1 个分量置零,并将第 ii 个分量设为 1 所得到的向量。对于一个向量 τKk\tau \in \mathbb{K}^k,其中 knk \leq n,该函数计算矩阵的前 nn

H1H2...HkwithHi=ImτibibiHH_1H_2 ... H_k \qquad\text{with}\qquad H_i = \mathrm{I}_m - \tau_i b_i b_i^{\text{H}}

其中 Im\mathrm{I}_mm 维单位矩阵,而 bHb^{\text{H}}bb 为复数时是共轭转置,当 bb 为实数时是转置。 输出矩阵与输入矩阵 A 大小相同。

有关更多详细信息,请参阅 正交或酉矩阵的表示

支持 float、double、cfloat 和 cdouble 数据类型。 也支持矩阵批次,如果输入是矩阵批次,则输出具有相同的批次维度。

另请参阅

torch.geqrf() 可以与该函数一起使用来从 qr() 分解中形成 Q

torch.ormqr() 是一个相关的函数,它计算豪斯霍尔德矩阵乘积与另一个矩阵的矩阵乘积。 但是,该函数不受自动梯度支持。

警告

仅当 τi1ai2\tau_i \neq \frac{1}{||a_i||^2} 时,梯度计算才有意义。 如果不满足此条件,则不会抛出错误,但生成的梯度可能包含 NaN

参数
  • A (Tensor) – 形状为 (*, m, n) 的张量,其中 * 是零个或多个批次维度。

  • tau (Tensor) – 形状为 (*, k) 的张量,其中 * 是零个或多个批次维度。

关键字参数

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

引发

RuntimeError – 如果 A 不满足要求 m >= n,或者 tau 不满足要求 n >= k

示例

>>> A = torch.randn(2, 2)
>>> h, tau = torch.geqrf(A)
>>> Q = torch.linalg.householder_product(h, tau)
>>> torch.dist(Q, torch.linalg.qr(A).Q)
tensor(0.)

>>> h = torch.randn(3, 2, 2, dtype=torch.complex128)
>>> tau = torch.randn(3, 1, dtype=torch.complex128)
>>> Q = torch.linalg.householder_product(h, tau)
>>> Q
tensor([[[ 1.8034+0.4184j,  0.2588-1.0174j],
        [-0.6853+0.7953j,  2.0790+0.5620j]],

        [[ 1.4581+1.6989j, -1.5360+0.1193j],
        [ 1.3877-0.6691j,  1.3512+1.3024j]],

        [[ 1.4766+0.5783j,  0.0361+0.6587j],
        [ 0.6396+0.1612j,  1.3693+0.4481j]]], dtype=torch.complex128)

文档

访问 PyTorch 的全面开发人员文档

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您的问题的解答

查看资源