奇异值分解（numpy.linalg.svd二维和三维数据的压缩和还原）

奇异值分解

SVD（Singular Value Decomposition，奇异值分解）
numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解。

分解的目标：

• 是一种因子分解运算，将一个矩阵分解为3个矩阵的乘积
• 3个矩阵: U, $\Sigma$ 和 V，其中U和V是正交矩阵，分别称为左奇异值、右奇异值，$\Sigma$为奇异值。

numpy的实现

numpy.linalg.svd(A,full_matrices=1,compute_uv=1)

参数：

• A是一个形如(m,n)矩阵
• full_matrices的取值是为0或者1，默认值为1,表示输出的U和V是否为全矩阵。
• compute_uv的取值是为0或者1，默认值为1，表示输出3个矩阵。为0的时候只输出$\Sigma$。

返回值：

返回3个矩阵U、$\Sigma$、V

• full_matrices=1时：U大小为(m,m)，$\Sigma$大小为(k)，k=min(m,n)，V大小为(n,n)。$A_{(m,n)}=U_{(m,m)}{\Sigma }_k{V}_{}$