奇异值分解(SVD)C++实现
提示!:十分感谢评论区@冬虫夏草1993指正,Jacobi方法的代码之前有点小bug,现在已经修好了
6月10日,风雨大作。。。(好吧雨早停了)
一时兴起,想着好久没敲过CPP了,最近正好打算复习一下《统计学习方法》,本来想看看PCA来着,一打眼瞅到了SVD。。。SVD是一个比较基础的矩阵分解法,后边的PCA还会用到,所以干脆计划了晚上小小复习一下SVD,然后用久违的CPP实现一下,谁料想本以为挺早就能下班的,一直写到第二天下午。。。。太菜了!!!!但是实现完后还是挺开心的,因此记录一下这一天的成果。
关于SVD
个人以为SVD好用就是好用在条件弱,效果好,任意的实矩阵都能进行SVD,理论依据如下:
奇异值分解定理
若
A
A
A为一
m
×
n
\text{m} \times{\text{n}}
m×n实矩阵,
A
∈
R
m
×
n
A\in R^{\text{m} \times{\text{n}}}
A∈Rm×n,则
A
A
A的奇异值分解存在,且:
A
=
U
Σ
V
T
A=U\Sigma V^T
A=UΣVT
其中:
Σ
=
[
Σ
1
,
Σ
2
]
=
(
σ
1
σ
2
⋱
σ
r
⋱
σ
n
)
\Sigma=[\Sigma_1,\Sigma_2] = \begin{pmatrix} \sigma_1\\ & \sigma_2 \\ && \ddots \\ &&& \sigma_r \\ &&&& \ddots\\ &&&&&\sigma_n\\ \end{pmatrix}
Σ=[Σ1,Σ2]=
σ1σ2⋱σr⋱σn
σ
i
\sigma_i
σi为
A
T
A
A^TA
ATA的特征值开根号,称为矩阵
A
A
A的奇异值。
r
r
r为非零特征值的个数,
σ
i
≥
σ
i
+
1
,
i
=
0
,
1
,
.
.
.
,
n
−
1
\sigma_i \ge \sigma_{i+1},i=0,1,...,n-1
σi≥σi+1,i=0,1,...,n−1.
σ
j
=
0
,
j
>
r
\sigma_j=0,j>r
σj=0,j>r 。
V
=
[
V
1
,
V
2
]
=
[
v
1
,
v
2
,
.
.
.
,
v
r
,
.
.
.
v
n
]
V=[V_1,V_2]=[v_1,v_2,...,v_r,...v_n]
V=[V1,V2]=[v1,v2,...,vr,...vn]
V
1
V_1
V1为非零特征值对应的特征向量按特征值从大到小排列的列向量组,
V
2
V_2
V2为特征值为零的特征向量组。
U
=
A
V
Σ
−
1
=
A
[
V
1
,
V
2
]
Σ
−
1
U=AV\Sigma^{-1}=A[V_1,V_2]\Sigma^{-1}
U=AVΣ−1=A[V1,V2]Σ−1
证明也为构造性证明,具体见《统计学习方法》。
紧奇异值分解
其实,通过一些矩阵运算,可以得到:
A
=
U
Σ
V
T
=
U
1
Σ
1
V
1
T
A=U\Sigma V^T=U_1\Sigma_1V_1^T
A=UΣVT=U1Σ1V1T
U
1
∈
R
m
×
r
U_1 \in{R^{\rm m\times r}}\,
U1∈Rm×r,
Σ
1
∈
R
r
×
r
\Sigma_1 \in{R^{\rm r\times r}}\,
Σ1∈Rr×r,
V
1
∈
R
n
×
r
V_1\in{\rm R^{n\times r}}
V1∈Rn×r.
可以看到,原来矩阵
A
∈
R
m
×
n
A\in{\rm R^{m\times n}}
A∈Rm×n,有
m
⋅
n
m\cdot n
m⋅n个元素,而经过紧奇异值分解后,有
m
⋅
r
+
r
⋅
r
+
n
⋅
r
m\cdot r+r\cdot r+n\cdot r
m⋅r+r⋅r+n⋅r,当
r
r
r较小时,数据占用内存大大减少,因此还可以用奇异值分解进行无损压缩矩阵。
截断奇异值分解
透过现象看本质,根据前面奇异值分解的公式,我们可以推导出,每一个矩阵都可以分解成如下形式:
A
=
σ
1
⋅
A
1
+
σ
2
⋅
A
2
+
.
.
.
+
σ
r
⋅
A
r
A=\sigma_1\cdot A_1+\sigma_2\cdot A_2+...+\sigma_r\cdot A_r
A=σ1⋅A1+σ2⋅A2+...+σr⋅Ar
这里,暂且不管
A
i
,
i
=
1
,
2
,
.
.
.
,
r
A_i,i=1,2,...,r
Ai,i=1,2,...,r是什么(可以推,太麻烦了不好写),可以很明显的看出
A
A
A可以由
σ
i
\sigma_i
σi为权值通过矩阵叠加组成,因此,当某些
σ
i
\sigma_i
σi很小时,对组成
A
A
A的贡献很小,可以看成
A
A
A的噪声,将其去除,这样就得到了截断奇异值分解,其矩阵形式如下:
A
≈
U
k
Σ
k
V
k
T
A\approx U_k\Sigma_kV_k^T
A≈UkΣkVkT
k
k
k大小等于保留的奇异值个数,由于奇异值矩阵
Σ
\Sigma
Σ是按从大到小排列的,因此
U
k
U_k
Uk表示取
U
U
U的前
k
k
k列,
Σ
k
\Sigma_k
Σk表示取
Σ
\Sigma
Σ的前
k
k
k行
k
k
k列所组成的方阵,
V
k
V_k
Vk表示取
V
V
V的前
k
k
k列。
根据上述思想,我们可以对矩阵通过截断奇异值分解进行有损压缩,去噪等。
代码
代码构架
为了实现SVD,根据上述公式可以得出,我们需要用到的工具有:
- 盛放矩阵的数据结构;(在此我选用了vector容器)
vector<vector<double>> A = {{1,0,0,0},{0,0,0,4},{0,3,0,0},{0,0,0,0},{2,0,0,0}};
- 矩阵乘法运算 ;
// 矩阵乘法
template<typename T>
vector<vector<T>> matrix_multiply(vector<vector<T>> const arrL, vector<vector<T>> const arrR)
{
int rowL = arrL.size();// 左矩阵行数
int colL = arrL[0].size();// 左矩阵列数
int rowR = arrR.size();// 右矩阵行数
int colR = arrR[0].size();// 右矩阵列数
// 判断是否能够相乘
if(colL != rowR)
{
throw "left matrix's row not should equal with right matrix!";
}
// initialize result matrix
vector<vector<T>> res(rowL);
for(int i=0; i<res.size();i++){
res[i].resize(colR);
}
// compute matrix multiplication
for(int i=0; i<rowL; i++){
for(int j=0; j<colR; j++){
for(int k=0; k<colL; k++){
res[i][j] += arrL[i][k]*arrR[k][j];
}
}
}
return res;
}
- 矩阵转置;
// 矩阵转置
template<typename T>
vector<vector<T>> transpose(vector<vector<T>> const arr)
{
int row = arr.size();
int col = arr[0].size();
// initialize transpose matrix col*row
vector<vector<T>> trans(col);
for(int i=0;i<col;i++){
trans[i].resize(row);
}
// fill elements
for(int i=0; i<col;i++){
for(int j=0;j<row;j++){
trans[i][j] = arr[j][i];
}
}
return trans;
}
- 实对称矩阵特征值特征向量求解(选用Jacobi迭代法)
//提前声明后续用到的argsort函数,功能类似于numpy的那个
template<typename T>
vector<int> argsort(const vector<T>& array);
// 实对称矩阵特征值特征向量
// param: arr :input array
// param: E :eigen vectors
// param: e :eigen values
template<typename T>
void eigen(vector<vector<T>> arr, vector<vector<T>> &E, vector<T> &e)
{
//vector<vector<T>> arr = arr_ori;
int n = arr.size();// size of matrix
int row = 0;// row index of max
int col = 0;// col index of max
int iter_max_num = 10000;//迭代总次数
int iter_num = 0;
double eps = 1e-40;//误差
double max = eps;// 非对角元素最大值
// 初始化特征向量矩阵为单位阵,初始化特征值
E.resize(n);
e.resize(n);
for(int i=0; i<n; i++){
E[i].resize(n,0);
E[i][i] = 1;
}
while(iter_num<iter_max_num && max>=eps)
{
max = fabs(arr[0][1]);
row = 0;
col = 1;
// find max value and index
for(int i=0;i<n;i++){
for(int j=0;j<n;j++){
if(i!=j && fabs(arr[i][j])>max){
max = fabs(arr[i][j]);
row = i;
col = j;
}
}
}
double theta = 0.5*atan2(-2 * arr[row][col] , -(arr[row][row] - arr[col][col]));
//update arr
double aii = arr[row][row];
double ajj = arr[col][col];
double aij = arr[row][col];
double sin_theta = sin(theta);
double cos_theta = cos(theta);
double sin_2theta = sin(2 * theta);
double cos_2theta = cos(2 * theta);
arr[row][row] = aii*cos_theta*cos_theta + ajj*sin_theta*sin_theta + aij*sin_2theta;//Sii'
arr[col][col] = aii*sin_theta*sin_theta + ajj*cos_theta*cos_theta - aij*sin_2theta;//Sjj'
arr[row][col] = 0.5*(ajj - aii)*sin_2theta + aij*cos_2theta;//Sij'
arr[col][row] = arr[row][col];//Sji'
for (int k = 0; k < n; k++)
{
if (k != row && k != col)
{
double arowk = arr[row][k];
double acolk = arr[col][k];
arr[row][k] = arowk * cos_theta + acolk * sin_theta;
arr[k][row] = arr[row][k];
arr[col][k] = acolk * cos_theta - arowk * sin_theta;
arr[k][col] = arr[col][k];
}
}
// update E
double Eki;
double Ekj;
for(int k=0; k<n; k++){
Eki = E[k][row];
Ekj = E[k][col];
E[k][row] = Eki*cos_theta + Ekj*sin_theta;
E[k][col] = Ekj*cos_theta - Eki*sin_theta;
}
iter_num++;
}
//update e
for(int i=0;i<n;i++){
e[i] = arr[i][i];
}
// sort E by e
vector<int> sort_index;
sort_index = argsort(e);
// initialize E_sorted, e_sorted
vector<vector<T>> E_sorted(n);
for(int i=0;i<n;i++){
E_sorted[i].resize(n);
}
vector<T> e_sorted(n);
for(int i=0;i<n;i++){
e_sorted[i] = e[sort_index[i]];
for(int j=0;j<n;j++){
E_sorted[i][j] = E[i][sort_index[j]];
}
}
E = E_sorted;
e = e_sorted;
//delete &E_sorted, &e_sorted;
cout<<"max element is: "<<max<<", iterate: "<<iter_num<<"times"<<endl;
}
在实现完上述工具后,即可实现SVD类
,其构造如下:
//*****************************************************//
//########################SVD##########################
//*****************************************************//
//params:
// --arr :input matrix m*n
// --U :left matrix m*r , r <= rank(arr)
// --S :medium matrix r*r
// --V :right matrix n*r
class SVD
{
public:
vector<vector<double>> U,S,V,ATA,A;
int n,m,r;
vector<vector<double>> E; //特征向量矩阵
vector<double> e; // 特征值向量
SVD(vector<vector<double>> arr);
void tight_svd();//紧奇异值分解
void truncated_svd(int);//截断奇异值分解
};
SVD::SVD(vector<vector<double>> arr){
m = arr.size();
n = arr[0].size();
A = arr;
ATA = matrix_multiply(transpose(A),A);
// 计算ATA特征值特征向量
eigen(ATA,E,e);
}
void SVD::tight_svd(){
r = 0;
// 确定秩
for(int i=0;i<e.size();i++){
if(e[i]>1e-10){
r++;
}
else break;
}
//确定V
V = E;
for(int i=0; i<n;i++){
V[i].resize(r);
}
//确定S
S.resize(r);
for(int i=0;i<r;i++){
S[i].resize(r);
S[i][i] = sqrt(e[i]);
}
//确定U
vector<vector<double>> Sinv = S;
for(int i=0;i<r;i++){
Sinv[i][i] = 1/S[i][i];
}
U = matrix_multiply(matrix_multiply(A,V),Sinv);
}
void SVD::truncated_svd(int rr){
r = rr;
//确定V
V = E;
for(int i=0; i<n;i++){
V[i].resize(r);
}
//确定S
S.resize(r);
for(int i=0;i<r;i++){
S[i].resize(r);
S[i][i] = sqrt(e[i]);
}
//确定U
vector<vector<double>> Sinv = S;
for(int i=0;i<r;i++){
Sinv[i][i] = 1/S[i][i];
}
U = matrix_multiply(matrix_multiply(A,V),Sinv);
}
实验测试
以《统计机器学习》P277页例15.2为例
代码如下:
int main()
{
vector<vector<double>> A = {{1,0,0,0},{0,0,0,4},{0,3,0,0},{0,0,0,0},{2,0,0,0}};
SVD svd(A);
// tight SVD
svd.tight_svd();
cout<<endl;
cout<<"matrix A:"<<endl;
display_matrix(A);
cout<<endl;
cout<<"matrix U:"<<endl;
display_matrix(svd.U);
cout<<endl;
cout<<"matrix Sigma:"<<endl;
display_matrix(svd.S);
cout<<endl;
cout<<"matrix V':"<<endl;
display_matrix(transpose(svd.V));
//display_matrix(matrix_multiply(matrix_multiply(svd.U,svd.S),transpose(svd.V)));//合成A
}
测试结果
完整代码见我的GitHub仓库:https://github.com/wjtgoo/SVD-CPP(万水千山总是情,给个星星行不行/(ㄒoㄒ)/~~)