In der Funktion von scipy.linalg
werden häufig zwei Parameter bereitgestellt. Einer ist check_finite
. Wenn er True
ist, erfolgt eine begrenzte Prüfung Der andere Typ ist overwrite_xxxx
, der angibt, ob xxxx
während des Berechnungsprozesses überschrieben werden kann. Der Einfachheit halber wird später gesagt, dass a
einen Überschreibschalter bereitstellt, was bedeutet, dass es einen Parameter overwrite_a
gibt, wenn er True ist. code> ermöglicht das Überschreiben des Berechnungsprozesses. Wenn ein eingeschränkter Prüfschalter bereitgestellt wird, bedeutet dies, dass der Parameter <code>check_finite
bereitgestellt wird. scipy.linalg
的函数中,往往会提供两种参数,其一是check_finite
,当为True
时将进行有限检查,另一类是overwrite_xxxx
,表示xxxx
在计算过程中是否可以被覆写。简洁起见,后文中说a
提供覆写开关,就表示存在一个参数overwrite_a
,当其为True
时,a允许计算过程中被覆写;若说提供有限检查开关,则代表提供check_finite
参数。
在scipy.linalg
中提供了函数norm
用来求范数,其定义为
norm(a, ord=None, axis=None, keepdims=False, check_finite=True)
其中ord
用于声明范数的阶
ord | 矩阵范数 | 向量范数 |
---|---|---|
None | 弗罗贝尼乌斯范数 | 2-范数 |
'fro' | 弗罗贝尼乌斯范数 | - |
'nuc' | 核范数 | - |
inf | max(sum(abs(a), axis=1)) | max ( ∣ a ∣ ) |
-inf | min(sum(abs(a), axis=1)) | min ( ∣ a ∣ ) |
0 | - | sum(a!=0) |
1 | max(sum(abs(a), axis=0)) | |
-1 | min(sum(abs(a), axis=0)) | |
2 | 2-范数(最大奇异值) | |
-2 | 最小奇异值 |
若a
为向量,若ord
为非零整数,记作n nn,设a i a_iai为矩阵a aa中的元素,则矩阵的n nn范数为
核范数又称“迹范数” (trace norm),表示矩阵的所有奇异值之和。
Frobenius范数可定义为
其实质是向量的2-范数在矩阵中的自然推广。
除了scipy.linalg
之外,numpy.linalg
中也提供了norm
,其参数为
norm(x, ord=None, axis=None, keepdims=False)
其中order
的可选参数与scipy.linalg
中的norm
函数相同。
在scipy.linalg
中,行列式函数为det
,其定义非常简单,除了待求矩阵a
之外,就只有a
的覆写开关和有限检查。
示例如下
import numpy as np from scipy import linalg a = np.array([[1,2,3], [4,5,6], [7,8,9]]) linalg.det(a) # 0.0 a = np.array([[0,2,3], [4,5,6], [7,8,9]]) linalg.det(a) # 3.0
scipy.linalg
不提供trace
函数,但是numpy
提供,其定义为
umpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None)
其中
offset
为偏移量,表示相对于主对角线的偏移
axis1, axis2
表示坐标轴
dtype
norm
wird in scipy.linalg
bereitgestellt, um die Norm zu finden, die als >>> x = np.random.rand(3,3) >>> print(x) [[0.26832187 0.64615363 0.09006217] [0.63106319 0.65573765 0.35842304] [0.66629322 0.16999836 0.92357658]] >>> np.trace(x) 1.8476361016546932
ord definiert ist
wird verwendet, um die Reihenfolge der Norm zu deklarieren 🎜ord | Matrixnorm | Vektornorm Nummer |
---|---|---|
td> |
||
Keine | Frobenius-Norm | 2-Norm |
'fro' |
Frobenius-Norm | - |
'nuc' |
Kernnorm | - |
inf | max(sum( abs(a), axis=1)) |
max ( ∣ a ∣ ) |
-inf | min(sum(abs(a), axis=1)) |
min ( ∣ a ∣ ) |
0 | - | sum(a!=0) | tr>
1 |
td> |
|
-1 | min(sum(abs(a), axis=0)) |
|
2 | 2-norm (maximaler Singulärwert) | |
-2 | Minimaler Singularwert |
a
ein Vektor ist >ord ist eine Ganzzahl ungleich Null und wird als n nn aufgezeichnet. Seien a i a_iai die Elemente in der Matrix a aa, dann ist die n nn-Norm der Matrix 🎜 🎜🎜🎜kernel Auch die Norm bekannt als „Spurennorm“, stellt die Summe aller singulären Werte der Matrix dar. 🎜🎜Frobenius-Norm kann definiert werden als🎜🎜