学过线性代数和深度学习先关的一定知道特征向量和拉普拉斯矩阵,这两者是很多模型的基础,有着很重要的地位,那用python要怎么实现呢?
numpy和scipy两个库中模块中都提供了线性代数的库linalg,scipy更全面些。
特征值和特征向量
import scipy as sc #返回特征值,按照升序排列,num定义返回的个数 def eignvalues(matrix, num): return sc.linalg.eigh(matrix, eigvalues(0, num-1))[0] #返回特征向量 def eighvectors(matrix): return sc.linalg.eigh(matrix, eigvalues(0, num-1))[1]
调用实例
#创建一个对角矩阵,很容易得知它的特征值是1,2,3 matrix = sc.diag([1,2,3]) #调用特征值函数,获取最小的特征值 minValue = eighvalues(matrix, 1) #调用特征向量函数,获取所有的特征向量 vectors = eighvectors(matrix, 3)
拉普拉斯矩阵
很多图模型中都涉及到拉普拉斯矩阵,它有三种形式,这次给出的代码是D-A(度矩阵-邻接矩阵)和第二种标准化的形式:
#laplacian矩阵 import numpy as np def unnormalized_laplacian(adj