mindspore.ops.Svd
- 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]]