mindspore.ops.Svd

查看源文件
class mindspore.ops.Svd(full_matrices=False, compute_uv=True)[源代码]

计算一个或多个矩阵的奇异值分解。

详情请查看 mindspore.ops.svd() 。

参数：

  • full_matrices (bool, 可选) - 如果为 True ，则计算完整的 \(U\) 和 \(V\) 。否则仅计算前P个奇异向量，其中，P为M和N中的较小值，M和N分别是输入矩阵的行和列。默认值： False 。

  • compute_uv (bool, 可选) - 如果这个参数为 True ，则计算 \(U\) 和 \(V\) ，否则只计算 \(S\) 。默认值： True 。

输入：

  • input (Tensor) - 待分解的矩阵。shape为 \((*, M, N)\) ，支持的数据类型为float32和float64。

输出：

  • s (Tensor) - 奇异值。shape为 \((*, P)\) 。

  • u (Tensor) - 左奇异向量。如果 compute_uv 为 False ，则值为 0 。shape为 \((*, M, P)\) 。如果 full_matrices 为 True ，则shape为 \((*, M, M)\) 。

  • v (Tensor) - 右奇异向量。如果 compute_uv 为 False ，则值为 0 。shape为 \((*, N, P)\) 。如果 full_matrices 为 True ，则shape为 \((*, N, N)\) 。

支持平台：

GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, set_context
>>> from mindspore import ops
>>> set_context(device_target="CPU")
>>> svd = ops.Svd(full_matrices=True, compute_uv=True)
>>> a = Tensor(np.array([[1, 2], [-4, -5], [2, 1]]).astype(np.float32))
>>> s, u, v = svd(a)
>>> print(s)
[7.0652843 1.040081 ]
>>> print(u)
[[ 0.30821905 -0.48819482 0.81649697]
 [-0.90613353  0.11070572 0.40824813]
 [ 0.2896955   0.8656849  0.4082479 ]]
>>> print(v)
[[ 0.63863593 0.769509  ]
 [ 0.769509  -0.63863593]]