SVD 梯度下降

花絮：

         非常抱歉，之前我没有严格的分清梯度下降和随机行走的区别，导致前一篇SVD的博客部分说法上有点小问题。之前说要实现svd的稀疏矩阵做法，这里算是实现了，总体来说，只要调整一下块的大小，该源码距离实际应用来做大矩阵的分解应该已经很接近了。

SVD的python源代码：

近期看了一篇小文 ，很有收获，故而实现之。由于该文中的中间有详细的说明算法流程和原理，这儿不介绍。大家仔细看看其中的算法说明部分，尤其是那几个公式。和原作相比这里有几个改变值得一提：

1. 稀疏块
2. 步长控制
3. 块操作
4. 循环终止控制

这里先上源码。

# coding=utf-8
import numpy as np
import time
import math

__author__ = 'axuanwu'
# 2015年 9 月 25 日
class XMatrix():
    def __init__(self, m=1000, n=100, step=4):
        self.zero_like = 0.01  # 伪零： 差异小于该值认为无差异
        self.step = int(step)  # 数据块的切分方法
        self.m = m  # 原矩阵行数
        self.n = n  # 原矩阵列数
        self.splits = int(math.ceil(1.0 * self.n / self.step))  # 每行记录的分块数
        self.res = self.n % self.step
        self.Memory = []  # 存储数据块的实体
        self.dict_rowid = {}  # 记录数据块的位置字典
        self.Memory_max_rowid = -1
        self.UUU = np.random.random((self.m, 2))
        self.VVV = np.ones((2, 1))  # 本来用做归一化UUU 和 MMM后的 系数矩阵，目前未处理
        self.MMM = np.random.random((2, self.n))

    def set_data(self, tezhenshu):
        self.tezhenshu = tezhenshu
        self.UUU = np.random.random((self.m, tezhenshu))
        self.VVV = np.zeros((tezhenshu, tezhenshu))
        for i in xrange(0, tezhenshu):
            self.VVV[i, i] = 1
        self.MMM = np.random.random((tezhenshu, self.n))

    def intoMatrix(self, i, j, data):
        # 矩阵赋值