mindspore.scipy.linalg.lu_factor
- mindspore.scipy.linalg.lu_factor(a, overwrite_a=False, check_finite=True)[源代码]
计算方阵的LU分解,其输出可以直接作为 lu_solve 的输入。
分解为:
\[a = P L U\]其中, \(P\) 是一个置换矩阵, \(L\) 是对角线元素全为1的下三角矩阵, \(U\) 是上三角矩阵。
说明
Windows平台上还不支持 lu_factor。
仅支持float32、float64、int32、int64的Tensor类型。
如果Tensor是int32、int64类型,它将被强制转换为:mstype.float64类型。
- 参数:
a (Tensor) - 要分解的 \((M, M)\) 方阵。 如果输入Tensor不是float类型,那么它将被强制转换为:mstype.float32。
overwrite_a (bool, 可选) - 是否覆盖 \(a\) 中的数据(可能会提高性能)。 默认值:
False
。check_finite (bool, 可选) - 是否检查输入矩阵是否只包含有限数。 禁用可能会带来性能增益,但如果输入确实包含 INF 或 NaN,则可能会导致问题(崩溃、程序不终止)。 默认值:
True
。
- 返回:
lu (Tensor) - 一个 \((M, M)\) 的方阵,在它的上三角中包含 u,它的下三角形中包含 l。 不含 l 中对角线全为1的元素。
piv (Tensor) - shape为 \((M,)\) 的Tensor,表示置换矩阵 p 的索引:索引中的第 i 个元素值 j 表示矩阵的第 i 行与第 j 行互换。
- 异常:
ValueError - 如果 \(a\) 不是2D方阵。
- 支持平台:
GPU
CPU
样例:
>>> import numpy as onp >>> from mindspore import Tensor >>> from mindspore.scipy.linalg import lu_factor >>> a = Tensor(onp.array([[2, 5, 8, 7], [5, 2, 2, 8], [7, 5, 6, 6], [5, 4, 4, 8]]).astype(onp.float64)) >>> lu, piv = lu_factor(a) >>> print(lu) [[ 7. 5. 6. 6. ] [ 0.28571429 3.57142857 6.28571429 5.28571429] [ 0.71428571 0.12 -1.04 3.08 ] [ 0.71428571 -0.44 -0.46153846 7.46153846]] >>> print(piv) [2 2 3 3]