快捷方式

torch.linalg.matrix_rank

torch.linalg.matrix_rank(A, *, atol=None, rtol=None, hermitian=False, out=None) Tensor

计算矩阵的数值秩。

矩阵的秩计算为大于阈值 max(atol,σ1rtol)\max(\text{atol}, \sigma_1 * \text{rtol}) 的奇异值数量(或当 hermitian= True 时,为绝对值大于该阈值的特征值数量),其中 σ1\sigma_1 是最大奇异值(或特征值)。

支持 float, double, cfloat 和 cdouble 数据类型的输入。也支持矩阵的批处理,如果 A 是一批矩阵,则输出具有相同的批处理维度。

如果 hermitian= True,则假定 A 在复数情况下是厄米矩阵,在实数情况下是对称矩阵,但这在内部不进行检查。计算中仅使用矩阵的下三角部分。

如果未指定 rtol 并且 A 是维度为 (m, n) 的矩阵,则相对容差设置为 rtol=max(m,n)ε\text{rtol} = \max(m, n) \varepsilon,其中 ε\varepsilonA 数据类型的 epsilon 值(参见 finfo)。如果未指定 rtol 且指定了大于零的 atol,则将 rtol 设置为零。

如果 atolrtoltorch.Tensor,其形状必须能广播到 torch.linalg.svdvals() 返回的 A 的奇异值的形状。

注意

此函数有一个 NumPy 兼容的变体 linalg.matrix_rank(A, tol, hermitian=False)。但是,不推荐使用位置参数 tol,而推荐使用 atolrtol

注意

如果 hermitian= False(默认),则使用奇异值分解 torch.linalg.svdvals() 计算矩阵的秩;当 hermitian= True 时,使用特征值分解 torch.linalg.eigvalsh() 计算。当输入在 CUDA 设备上时,此函数会将该设备与 CPU 同步。

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

  • tol (float, Tensor, 可选) – [NumPy 兼容] atol 的别名。默认值:None

关键字参数
  • atol (float, Tensor, 可选) – 绝对容差值。当为 None 时,被认为是零。默认值:None

  • rtol (float, Tensor, 可选) – 相对容差值。当为 None 时取值参见上文。默认值:None

  • hermitian (bool) – 指示 A 在复数情况下是否是厄米矩阵,在实数情况下是否是对称矩阵。默认值:False

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

示例

>>> A = torch.eye(10)
>>> torch.linalg.matrix_rank(A)
tensor(10)
>>> B = torch.eye(10)
>>> B[0, 0] = 0
>>> torch.linalg.matrix_rank(B)
tensor(9)

>>> A = torch.randn(4, 3, 2)
>>> torch.linalg.matrix_rank(A)
tensor([2, 2, 2, 2])

>>> A = torch.randn(2, 4, 2, 3)
>>> torch.linalg.matrix_rank(A)
tensor([[2, 2, 2, 2],
        [2, 2, 2, 2]])

>>> A = torch.randn(2, 4, 3, 3, dtype=torch.complex64)
>>> torch.linalg.matrix_rank(A)
tensor([[3, 3, 3, 3],
        [3, 3, 3, 3]])
>>> torch.linalg.matrix_rank(A, hermitian=True)
tensor([[3, 3, 3, 3],
        [3, 3, 3, 3]])
>>> torch.linalg.matrix_rank(A, atol=1.0, rtol=0.0)
tensor([[3, 2, 2, 2],
        [1, 2, 1, 2]])
>>> torch.linalg.matrix_rank(A, atol=1.0, rtol=0.0, hermitian=True)
tensor([[2, 2, 2, 1],
        [1, 2, 2, 2]])

文档

访问 PyTorch 全面的开发者文档

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