mindspore.ops.Lstsq

class mindspore.ops.Lstsq(fast=True, l2_regularizer=0.0)

计算满秩矩阵 x $(m\times n)$ 与满秩矩阵 a $(m\times k)$ 的最小二乘问题或最小范数问题的解。

若 $m\ge n$ ， Lstsq 解决最小二乘问题：

$$\begin{array}{ll}\underset{y}{min}& \Vert xy-a{\Vert }_2.\end{array}$$

若 $m<n$ ， Lstsq 解决最小范数问题：

$$\begin{array}{llll}\underset{y}{min}& \Vert y{\Vert }_2& \text{subject to}& xy=a.\end{array}$$

参数：

• fast (bool，可选) - 使用的算法。默认值：True。

  • 如果 fast 为True，则使用Cholesky分解求解正态方程来计算解。

  • 如果 fast 为False，则基于数值鲁棒的完全正交分解的算法被使用。

• l2_regularizer (float，可选) - L2正则化系数。默认值：0.0。

输入：

• x (Tensor) - $(m\times n)$ 的矩阵 x 。输入Tensor的数据类型为float16、float32或float64。

• a (Tensor) - $(m\times k)$ 的矩阵 a 。输入Tensor的数据类型为float16、float32或float64。

输出：

Tensor，最小二乘问题或最小范数问题的解，其shape为 $(n\times k)$ ，数据类型与 x 相同。

异常：

• TypeError - 若输入 x 或 a 不是Tensor。

• TypeError - 若 x 或 a 的数据类型不是以下之一：float16、float32、float64。

• TypeError - 若 x 或 a 的数据类型不同。

• ValueError - 若 x 的维度不等于2。

• ValueError - 若 a 的维度不等于2或1。

• ValueError - 若 x 与 a shape的第零维不相等。

支持平台：

CPU

样例：

>>> x = Tensor(np.array([[2,1,5],[3,5,1],[1,1,1]]),mindspore.float32)
>>> a = Tensor(np.array([[10,5],[15,8],[7,4]]),mindspore.float32)
>>> op = ops.Lstsq()
>>> output = op(x, a)
>>> print(output)
[[17.000002  11.000002 ]
 [-6.5000005 -4.500001 ]
 [-3.500002  -2.5000017]]