mindspore.Tensor.svd

mindspore.Tensor.svd(full_matrices=False, compute_uv=True)[源代码]

计算单个或多个矩阵的奇异值分解。

更多参考详见 mindspore.ops.svd()。

参数：

  • full_matrices (bool, 可选) - 如果这个参数为True，则计算完整的 \(U\) 和 \(V\) 。否则 \(U\) 和 \(V\) 的shape和P有关。P是M和N的较小值。M和N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 \(V\) 。如果为false，只计算 \(S\) 。默认值：True。

返回：

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

  • u (Tensor) - 左奇异向量。如果compute_uv为False，该值不会返回。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，该值不会返回。shape为 \((*, P, N)\) 。如果full_matrices为true，则shape为 \((*, N, N)\) 。

异常：

  • TypeError - full_matrices 或 compute_uv 不是bool类型。

  • TypeError - 输入的rank小于2。

  • TypeError - 输入的数据类型不为float32或float64。

支持平台：

GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, set_context
>>> set_context(device_target="CPU")
>>> a = Tensor(np.array([[1, 2], [-4, -5], [2, 1]]).astype(np.float32))
>>> s, u, v = a.svd(full_matrices=True, compute_uv=True)
>>> 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]]