5

我正在使用 numpy.svd 来计算条件不良矩阵的奇异值分解。对于某些特殊情况，svd 不会收敛并引发 Linalg.Error。我做了一些研究，发现 numpy 使用 LAPACK 的 DGESDD 例程。标准实现的硬编码迭代限制为 35 次或其他迭代。如果我尝试在 Matlab 中分解相同的矩阵，一切正常，我认为有两个原因： 1. Matlab 使用 DGESVD 而不是 DGESDD，这通常看起来更健壮。2. Matlab 在例程中使用了 75 次的迭代限制。（他们在源代码中对其进行了更改并重新编译。）

现在的问题是：有没有一种简单的方法可以将 numpy 中使用的后端从 DGESDD 更改为 DGESVD 而无需修改 numpy 源？

在此先感谢米沙

4

2 回答 2

1

对我有用的是只计算该矩阵的“经济规模”SVDX：

U,S,V = np.linalg.svd(X, full_matrices=False)
于 2015-10-03T08:44:54.880 回答
0

我有点晚了，但也许这会帮助别人......

我在julia遇到了类似的问题。

我从 R 帮助列表中找到了这种方法，它应该适用于使用 lapack 库的任何环境：

基本上，如果 svd(M) 失败，请尝试 svd(M')，并适当地交换结果 U,V。

以下是我在 Julia 中的做法：

try
  U,S,V = svd( E_restricted )
  failed = false
catch
  failed = true
end
if failed
  # try it with matrix transposed
  try
    V,S,U = svd( E_restricted' )
    failed = false
  catch
    failed = true
  end
end
if failed
  error("ERROR: svd(E) and svd(E') failed!")
end
于 2013-04-05T21:21:59.720 回答