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.scipy.linalg.lstsq

mindspore.scipy.linalg.lstsq(A, B, rcond=None, driver=None)

求解计算线性等式系统 $AX=B$ 的最小二乘问题 。

说明

• lstsq 目前仅用于 mindscience 科学计算场景，尚不支持其他使用场景。

• lstsq 尚不支持Windows平台。

参数：

• A (Tensor) - 等式左边的左乘Tensor，shape为 $(\ast ,M,N)$ ，其中 $\ast$ 表示零或者更多的Batch维度。

• B (Tensor) - 等式右边的Tensor，shape为 $(\ast ,M,K)$，其中 $\ast$ 表示零或者更多的Batch维度。

• rcond (number.Number, 可选) - 在MindSpore中，当前这个参数不起作用，默认值： None 。

• driver (string, 可选) - 使用哪个LAPACK函数求解最小二乘问题，可选项有 "gels", "gelsy", "gelss", "gelsd" ，默认值： None （ "gelsy" ） 如果 A 条件数很小， 且 A 是一个满秩矩阵，那么 "gels" 能很好地解决最小二乘问题，如果 A 不一定满秩， 则建议使用 "gelsy"，如果 A 的条件数很大， "gelsd" 能更好地解决该问题， "gelss" 方法在以前更常用，它 占用更少的内存，但是算得更慢。

返回：

• solution (Tensor)，最小二乘的解，shape为 $(\ast ,N,K)$，其中 $\ast$ 等于广播后的Batch维度。

• residues (Tensor)，$AX-B$，其中 $\ast$ 等于 广播后的Batch维度，当 driver 是("gels", "gelss", "gelsd")其中之一，且 $M>N$ 时才会计算， 否则返回空Tensor。

• rank (Tensor)， A 的有效秩数。shape为 $(\ast )$，其中 $\ast$ 等于 A 的Batch维度。当 driver 是 ("gelsy", "gelss", "gelsd")其中之一时才会计算，否则返回空Tensor 。

• singular_values (Tensor)， A 的奇异值，shape为 $(\ast ,min(M,N))$，其中 $\ast$ 等于 A 的Batch维度。 当 driver 是("gelss", "gelsd")其中之一时才会计算，否则返回空Tensor。

异常：

• TypeError - 如果 A 和 B 的数据类型不同。

• ValueError - 如果 A 的维度小于2。

• ValueError - 如果 A 和 B 的shape不匹配。

• ValueError - 如果 driver 不是 None、 "gels"、 "gelsy"、 "gelss" 或 "gelsd" 。

支持平台：

Ascend CPU

样例：

>>> import numpy as onp
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.scipy.linalg import lstsq
>>> a = Tensor(onp.array([[3, 0, 0, 0], [2, 1, 0, 0], [1, 0, 1, 0], [1, 1, 1, 1]], onp.float32))
>>> b = Tensor(onp.array([3, 1, 3, 4], onp.float32))
>>> solution, residual, rank, singular_value = lstsq(a, b)
>>> print(solution)
[ 1. -1.  2.  2.]
>>> print(a @ solution)  # Check the result
[3. 1. 3. 4.]