torch.linalg.svd¶
- torch.linalg.svd(A, full_matrices=True, *, driver=None, out=None)¶
计算矩阵的奇异值分解 (SVD)。
令 为 或 ,矩阵 的**完整 SVD**,如果 k = min(m,n),则定义为
其中 , 当 为复数时表示共轭转置,当 为实数时表示转置。矩阵 , (以及 ) 在实数情况下是正交的,在复数情况下是酉的。
当 m > n(分别为 m < n)时,我们可以去掉 U(分别为 V)的最后 m - n(分别为 n - m)列,形成**缩减 SVD**
其中 。在这种情况下, 和 也具有正交列。
支持 float、double、cfloat 和 cdouble 数据类型作为输入。也支持矩阵批处理,如果
A
是一个矩阵批次,则输出具有相同的批次维度。返回的分解是一个命名元组 (U, S, Vh),分别对应于上述公式中的 , , .
奇异值按降序返回。
参数
full_matrices
用于选择完整的 (默认) 或简化的 SVD。在使用 cuSOLVER 后端的 CUDA 中,可以使用
driver
关键字参数来选择用于计算 SVD 的算法。驱动程序的选择是在准确性和速度之间进行权衡。如果
A
具有良好的条件数(其条件数不大),或者您不介意一些精度损失。对于一般矩阵:‘gesvdj’(雅可比方法)
如果
A
是高或宽矩阵(m >> n 或 m << n):‘gesvda’(近似方法)
如果
A
条件数不好或精度很重要:‘gesvd’(基于 QR 的方法)
默认情况下(
driver
= None),我们调用 ‘gesvdj’,如果失败,则回退到 ‘gesvd’。与 numpy.linalg.svd 的区别
与 numpy.linalg.svd 不同,此函数始终返回三个张量的元组,并且不支持 compute_uv 参数。请使用
torch.linalg.svdvals()
,它只计算奇异值,而不是使用 compute_uv=False。
注意
当
full_matrices
= True 时,关于 U[…, :, min(m, n):] 和 Vh[…, min(m, n):, :] 的梯度将被忽略,因为这些向量可以是对应子空间的任意基。警告
返回的张量 U 和 V 不是唯一的,也不是关于
A
连续的。由于这种不唯一性,不同的硬件和软件可能会计算出不同的奇异向量。这种不唯一性是由以下事实造成的:在实数情况下,将任意一对奇异向量 乘以 -1,或者在复数情况下乘以 ,会产生另外两个矩阵的有效奇异向量。因此,损失函数不应该依赖于这个 量,因为它没有明确定义。在计算此函数的梯度时,会针对复数输入检查这一点。因此,当输入为复数并且位于 CUDA 设备上时,此函数的梯度计算会将该设备与 CPU 同步。
警告
仅当
A
没有重复的奇异值时,使用U或Vh计算的梯度才是有限的。如果A
是矩形,此外,零也不能是它的奇异值之一。此外,如果任意两个奇异值之间的距离接近于零,则梯度在数值上是不稳定的,因为它依赖于奇异值通过计算。在矩形情况下,当A
具有小的奇异值时,梯度在数值上也会不稳定,因为它也依赖于计算。另请参阅
torch.linalg.svdvals()
仅计算奇异值。与torch.linalg.svd()
不同,svdvals()
的梯度在数值上始终稳定。torch.linalg.eig()
用于计算矩阵另一种类型的谱分解的函数。特征值分解仅适用于方阵。torch.linalg.eigh()
用于计算厄米特矩阵和对称矩阵的特征值分解的(更快速)函数。torch.linalg.qr()
用于另一种(更快)适用于一般矩阵的分解。- 参数
- 关键字参数
- 返回值
一个名为(U, S, Vh)的元组,对应于上面提到的、、。
S将始终是实数,即使
A
是复数。它也将按降序排序。U和Vh将与
A
具有相同的dtype。左/右奇异向量将分别由U的列和Vh的行给出。
示例
>>> A = torch.randn(5, 3) >>> U, S, Vh = torch.linalg.svd(A, full_matrices=False) >>> U.shape, S.shape, Vh.shape (torch.Size([5, 3]), torch.Size([3]), torch.Size([3, 3])) >>> torch.dist(A, U @ torch.diag(S) @ Vh) tensor(1.0486e-06) >>> U, S, Vh = torch.linalg.svd(A) >>> U.shape, S.shape, Vh.shape (torch.Size([5, 5]), torch.Size([3]), torch.Size([3, 3])) >>> torch.dist(A, U[:, :3] @ torch.diag(S) @ Vh) tensor(1.0486e-06) >>> A = torch.randn(7, 5, 3) >>> U, S, Vh = torch.linalg.svd(A, full_matrices=False) >>> torch.dist(A, U @ torch.diag_embed(S) @ Vh) tensor(3.0957e-06)