Numpy n维数组的线性变换（Linear algebra on n-dimensional arrays）SVD

n 维数组线性变换

看完之后，掌握以下知识：

• 理解 一维，二维，n维数组在numpy中的不同；
• 学会使用线性代数相关知识对n维数组操作而不是使用for-loops;
• 理解n维数组的轴和形状变换。

matrix decomposition(矩阵分解)

Singular Value Decomposition（单值分解）: 产生一个压缩的图像近似值

from scipy import misc
img = misc.face() # 使用scipy.misc 中的 face image

img is a Numpy array,as we can see when using the type function
img 是一个numpy的数组，可以使用type这个函数查看

type(img)
# 输出 numpy.ndarray

我们可以使用matplotlib.pyplot.imshow函数和特殊的iPython命令–%matplotlib inline来显示内嵌式图画。

import matplotlib.pyplot as plt
%matplotlob inline
# or
plt.imshow(img)
plt.show()

形状、轴和数组属性

NOTE THAT!!! 在线性代数中，向量的维数是指数组中的条目数。在NumPy中，它反而定义了轴的数量。例如，一维数组是一个矢量，如[1, 2, 3]，二维数组是一个矩阵，以此类推

1. 首先，我们需要确定上面图像的shape。根据图像是个矩形我们可以猜测是二维的，或许可以用二维的array（矩阵）去表示这个图像，但是使用shape这个属性，可以看到不一样的答案。

img.shape
# 输出 （768,1024,3）

这个输出是一个包含三个元素的元组，代表这是一个三维的array。从上图可知，这是一个有色彩的图像，可以使用imread函数去查看它，这个数据是由三个二维的矩阵组合起来的。三维代表的是颜色的通道（RGB-red,green,blue）
总之：三个矩阵，每个矩阵shape是768 * 1024
使用ndim属性可以查看维度

img.ndim
# 输出 3

NumPy将每个维度称为一个轴 由于imread的工作方式，第三轴的第一个索引是我们图像的红色像素数据。我们可以通过使用以下语法来访问它

img[:,:,0]
array([[121, 138, 153, ..., 119, 131, 139],
       [ 89, 110, 130, ..., 118, 134, 146],
       [ 73,  94, 115, ...