tf.linalg.pinv

Вычисление псевдообратного Moore-Penrose для одной или нескольких матриц.

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительных сведений.

tf.compat.v1.linalg.pinv, `tf.compat.v2.linalg.pinv`

tf.linalg.pinv(
    a, rcond=None, validate_args=False, name=None
)

Вычисление обобщенного обратного значения матрицы с использованием ее сингулярного разложения (SVD) и включением всех больших сингулярных значений.

Псевдообратное значение матрицы A, определяется как: 'матрица, которая "решает" [задачу наименьших квадратов] A @ x = b,' то есть, если x_hat является решением, то A_pinv — это матрица, такая что x_hat = A_pinv @ b. Можно показать, что если U @ Sigma @ V.T = A — это сингулярное разложение A, то A_pinv = V @ inv(Sigma) U^T. [(Strang, 1980)][1]

Эта функция аналогична numpy.linalg.pinv. Она отличается только по умолчанию rcond. В numpy.linalg.pinv, значение по умолчанию rcond равно 1e-15. Здесь значение по умолчанию 10. * max(num_rows, num_cols) * np.finfo(dtype).eps.

Аргументы
`a`	(Группа) матрицеподобные `Tensor`-образные `float`, которые необходимо псевдообратить.
`rcond`	`Tensor` для малых значений сингулярных значений. Сингулярные значения, меньшие (по модулю) `rcond` * largest_singular_value (снова, по модулю), устанавливаются равными нулю. Должен быть совместим с `tf.shape(a)[:-2]`. Значение по умолчанию: `10. * max(num_rows, num_cols) * np.finfo(a.dtype).eps`.
`validate_args`	В случае `True`, в графе могут быть добавлены дополнительные проверки. Значение по умолчанию: `False` (то есть, проверки графа не добавляются).
`name`	Префикс Python `str` для операций, созданных этой функцией. Значение по умолчанию: 'pinv'.

Возвращаемое значение
`a_pinv`	(Группа) псевдообратного значения входной `a`. Имеет ту же форму, что и `a`, за исключением того, что две правые размерности транспонированы.

Возможные исключения
`TypeError`	если входной `a` не имеет `float`-подобной `dtype`.
`ValueError`	если входной `a` имеет менее 2-х измерений.

Примеры

import tensorflow as tf
import tensorflow_probability as tfp

a = tf.constant([[1.,  0.4,  0.5],
                 [0.4, 0.2,  0.25],
                 [0.5, 0.25, 0.35]])
tf.matmul(tf.linalg..pinv(a), a)
# ==> array([[1., 0., 0.],
             [0., 1., 0.],
             [0., 0., 1.]], dtype=float32)

a = tf.constant([[1.,  0.4,  0.5,  1.],
                 [0.4, 0.2,  0.25, 2.],
                 [0.5, 0.25, 0.35, 3.]])
tf.matmul(tf.linalg..pinv(a), a)
# ==> array([[ 0.76,  0.37,  0.21, -0.02],
             [ 0.37,  0.43, -0.33,  0.02],
             [ 0.21, -0.33,  0.81,  0.01],
             [-0.02,  0.02,  0.01,  1.  ]], dtype=float32)

Ссылки

[1]: Г. Странг. 'Линейная алгебра и ее приложения, 2-е изд.' Academic Press, Inc., 1980, стр. 139-142.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/linalg/pinv