python代码实现关于SVD矩阵的分解

假设有一个矩阵 A，其维度为 m × n，其中 m 表示行数，n 表示列数。现在我们对矩阵 A 进行奇异值分解（Singular Value Decomposition, SVD），得到三个矩阵 U、Σ、V^T，满足以下关系：A = UΣV^T。请问：

1.矩阵 U 的维度是多少？Σ 的维度是多少？V 的维度是多少？

2.SVD 分解有什么应用领域和意义？

下面用python代码求解：

问题1：矩阵 U，Σ， V 的维度各是多少？

【代码如下】

import numpy as np

# 定义矩阵 A

A = np.array([[1, 2, 3], [4, 5, 6]])

# 奇异值分解

U, sigma, VT = np.linalg.svd(A)