numpy.linalg.svd函数

最新推荐文章于 2025-06-24 12:22:37 发布

Charles.zhang

最新推荐文章于 2025-06-24 12:22:37 发布

阅读量3.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： python # 算法

原文链接：https://blog.csdn.net/rainpasttime/article/details/79831533

python 同时被 2 个专栏收录

360 篇文章

订阅专栏

算法

204 篇文章

订阅专栏

本文深入解析np.linalg.svd函数的使用方法及其参数意义，包括full_matrices与compute_uv的作用，通过实例展示如何进行奇异值分解，解释奇异值的含义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

函数：np.linalg.svd(a,full_matrices=1,compute_uv=1)。

参数：
a是一个形如(M,N)矩阵

full_matrices的取值是为0或者1，默认值为1，这时u的大小为(M,M)，v的大小为(N,N) 。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。

compute_uv的取值是为0或者1，默认值为1，表示计算u,s,v。为0的时候只计算s。

返回值：

总共有三个返回值u,s,v
u大小为(M,M)，s大小为(M,N)，v大小为(N,N)。

A = u*s*v

其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。

例子：

>>> from numpy import *
>>> data = mat([[1,2,3],[4,5,6]])
>>> U,sigma,VT = np.linalg.svd(data)
>>> print U
[[-0.3863177 -0.92236578]
[-0.92236578 0.3863177 ]]
>>> print sigma
[9.508032 0.77286964]
>>> print VT
[[-0.42866713 -0.56630692 -0.7039467 ]
[ 0.80596391 0.11238241 -0.58119908]
[ 0.40824829 -0.81649658 0.40824829]]
因为sigma是除了对角元素不为0，其他元素都为0。所以返回的时候，作为一维矩阵返回。本来sigma应该是由3个值的，但是因为最后一个值为0，所以直接省略了。

关于奇异值的解释：

---------------------
版权声明：本文为CSDN博主「rainpasttime」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/rainpasttime/article/details/79831533