比较与torch.svd的差异

以下映射关系均可参考本文。

PyTorch APIs	MindSpore APIs
torch.svd	mindspore.ops.svd
torch.Tensor.svd	mindspore.Tensor.svd

torch.svd

torch.svd(input, some=True, compute_uv=True, *, out=None)

更多内容详见torch.svd。

mindspore.ops.svd

mindspore.ops.svd(input, full_matrices=False, compute_uv=True)

更多内容详见mindspore.ops.svd。

差异对比

MindSpore此API功能与PyTorch不一致。

PyTorch:

如果参数 some 为True，该接口返回缩减后的奇异值分解结果。
始终有三个输出值，输出值的顺序是 u，s，v。
如果参数 compute_uv 为False，u 和 v 的值是全0的矩阵。

MindSpore:

如果参数 full_matrices 为False，该接口返回缩减后的奇异值分解结果。
如果参数 compute_uv 为False，只有一个输出值 s。
如果参数 compute_uv 为True，有三个输出值，顺序是 s，u，v。

自PyTorch 1.8.0及以后的版本中，已经弃用了接口 torch.svd() ，推荐使用的替换接口是 torch.linalg.svd() ，该接口和 mindspore.ops.svd 有相同的传参 full_matrices 。

功能上无差异。

分类	子类	PyTorch	MindSpore	差异
参数	参数 1	input	input	一致
	参数 2	some	full_matrices	若要返回缩减后的奇异值分解结果，MindSpore配置 `full_matrices` 为False，PyTorch配置 `some` 为True
	参数 3	compute_uv	compute_uv	如果参数 `compute_uv` 为False，MindSpore只有一个输出值 s，PyTorch有三个输出值 u，s，v，其中 u 和 v 的值是全0的矩阵。如果 `compute_uv` 为True，MindSpore的输出值的顺序是 s，u，v，PyTorch的输出值的顺序是 u，s，v。
	参数 4	out	-	详见通用差异参数表

代码示例 1

compute_uv 为False时，PyTorch有三个输出值。

# PyTorch
import torch
input = torch.tensor([[1, 2], [-4, -5], [2, 1]], dtype=torch.float32)
u, s, v = torch.svd(input, some=False, compute_uv=False)
print(s)
# tensor([7.0653, 1.0401])
print(u)
# tensor([[0., 0., 0.],
#         [0., 0., 0.],
#         [0., 0., 0.]])
print(v)
# tensor([[0., 0.],
#         [0., 0.]])

# MindSpore目前无法支持该功能

代码示例 2

compute_uv 为True的时候，输出值顺序不一致。奇异值分解的输出不是唯一的。

# PyTorch
import torch
input = torch.tensor([[1, 2], [-4, -5], [2, 1]], dtype=torch.float32)
u, s, v = torch.svd(input, some=False, compute_uv=True)
print(s)
# tensor([7.0653, 1.0401])
print(u)
# tensor([[-0.3082, -0.4882,  0.8165],
#         [ 0.9061,  0.1107,  0.4082],
#         [-0.2897,  0.8657,  0.4082]])
print(v)
# tensor([[-0.6386,  0.7695],
#         [-0.7695, -0.6386]])

# MindSpore
import mindspore as ms
input = ms.Tensor([[1, 2], [-4, -5], [2, 1]], ms.float32)
s, u, v = ms.ops.svd(input, 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]]