【深度学习基础】：线性代数(二)_奇异值分解及numpy、scipy实现

一、奇异值分解的意义

        除了特征分解外，还有另一种分解的方法，称为奇异值分解(SVD)，它可以将矩阵分解成奇异值和奇异向量。相对特征分解来说，奇异值分解的应用更加广泛，每个实数矩阵都有一个奇异值分解，但不一定有特征分解。例如：非方阵的矩阵没有特征分解，但有奇异值分解。

 

二、奇异值分解

 

三、奇异值和奇异向量的含义

 

四、Python实现

1.      Numpy

import numpy as np
A = np.array([[1,2,3,4],
            [5,6,7,8],
            [9,10,11,12]])
# 返回三个矩阵
np.linalg.svd(A)

2.      Scipy

import numpy as np
from scipy import linalg
A = np.array([[1,2,3,4],
            [5,6,7,8],
            [9,10,11,12]])
# 返回奇异值
print(linalg.svdvals(A))
# 返回三个矩阵
print(linalg.svd(A))