mindspore.ops.svd

mindspore.ops.svd(input, full_matrices=False, compute_uv=True)[源代码]

计算单个或多个矩阵的奇异值分解。

设矩阵 \(A\) ，svd返回奇异值 \(S\) 、左奇异向量 \(U\) 和右奇异向量 \(V\) 。满足以下公式：

\[A=U*diag(S)*V^{T}\]

参数：

input (Tensor) - 输入tensor，shape为 \((*, M, N)\) 。
full_matrices (bool, 可选) - 如果为 True ，则计算完整的 \(U\) 和 \(V\) 。否则仅计算前P个奇异向量，P为M和N中的较小值。默认 False 。
compute_uv (bool, 可选) - 如果为 True ，则计算 \(U\) 和 \(V\) ，否则只计算 \(S\) 。默认 True 。

返回：

如果 compute_uv 为 True ，返回三个tensor组成的tuple( s , u , v)。否则，返回单个tensor -> s 。

s 是奇异值tensor。shape为 \((*, P)\) 。
u 是左奇异tensor。如果 compute_uv 为 False ，该值不会返回。shape为 \((*, M, P)\) 。如果 full_matrices 为 True ，则shape为 \((*, M, M)\) 。
v 是右奇异tensor。如果 compute_uv 为 False ，该值不会返回。shape为 \((*, N, P)\) 。如果 full_matrices 为 True ，则shape为 \((*, N, N)\) 。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> input = mindspore.tensor([[1, 2], [-4, -5], [2, 1]], mindspore.float32)
>>> s, u, v = mindspore.ops.svd(input, full_matrices=True, compute_uv=True)
>>> print(s)
[7.0652843 1.040081 ]
>>> print(u)
[[ 0.30821905 -0.48819482  0.81649697]
 [-0.90613353  0.11070572  0.40824813]
 [ 0.2896955   0.8656849   0.4082479 ]]
>>> print(v)
[[ 0.63863593  0.769509  ]
 [ 0.769509   -0.63863593]]