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。
矩阵秩被计算为大于 阈值的奇异值(或当
hermitian
= True 时为绝对值中的特征值)的数量,其中 是最大的奇异值(或特征值)。支持 float、double、cfloat 和 cdouble 数据类型。还支持矩阵批次,如果
A
是矩阵批次,则输出具有相同的批次维度。如果
hermitian
= True,则假设A
如果是复数,则为厄米特矩阵,如果是实数,则为对称矩阵,但这在内部不会被检查。相反,只使用矩阵的下三角部分进行计算。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 并且 是A
数据类型的 epsilon 值(请参阅finfo
)。如果未指定rtol
并且atol
指定为大于零,则rtol
设置为零。如果
atol
或rtol
是一个torch.Tensor
,它的形状必须能够广播到torch.linalg.svdvals()
返回的A
的奇异值形状。注意
此函数具有与 NumPy 兼容的变体 linalg.matrix_rank(A, tol, hermitian=False)。但是,使用位置参数
tol
已被弃用,取而代之的是atol
和rtol
。注意
矩阵秩是使用奇异值分解
torch.linalg.svdvals()
计算的(如果hermitian
= False(默认)),当hermitian
= True 时,使用特征值分解torch.linalg.eigvalsh()
计算。当输入位于 CUDA 设备上时,此函数会将该设备与 CPU 同步。- 参数
- 关键字参数
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]])