文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.Svd

class mindspore.ops.Svd(full_matrices=False, compute_uv=True)

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 $(\ast ,M,N)$ ，支持的数据类型为float32和float64。

输出：

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

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

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

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]]