torch.linalg.pinv

torch.linalg.pinv(A, *, atol=None, rtol=None, hermitian=False, out=None) → Tensor

计算矩阵的伪逆（摩尔-彭罗斯逆）。

伪逆可以 代数上定义，但通过 SVD 来理解它在计算上更方便。

支持浮点 (float)、双精度浮点 (double)、复数浮点 (cfloat) 和复数双精度浮点 (cdouble) 数据类型。还支持矩阵批处理，如果 `A` 是一个矩阵批处理，则输出具有相同的批处理维度。

如果 hermitian= True，则假设 A 是厄米特（复数）或对称（实数）的，但这不会在内部进行检查。相反，在计算中仅使用矩阵的下三角部分。

奇异值（或特征值的范数，当 hermitian= True 时）低于 $\max(\text{atol}, \sigma_1 \cdot \text{rtol})$ 的阈值将被视为零并在计算中被忽略，其中 $\sigma_1$ 是最大的奇异值（或特征值）。

如果未指定 rtol，并且 A 是维度为 (m, n) 的矩阵，则相对容差设置为 $\text{rtol} = \max(m, n) \varepsilon$，其中 $\varepsilon$ 是 A 的 dtype 的 epsilon 值（参见 finfo）。如果未指定 rtol 且 atol 被指定为大于零，则 rtol 将被设置为零。

如果 atol 或 rtol 是一个 torch.Tensor，则其形状必须可广播到 A 的奇异值形状，这些奇异值由 torch.linalg.svd() 返回。

注意

如果 hermitian= False，此函数使用 torch.linalg.svd()；如果 hermitian= True，则使用 torch.linalg.eigh()。对于 CUDA 输入，此函数会将该设备与 CPU 同步。

注意

如果可能，请考虑使用 torch.linalg.lstsq() 将伪逆乘以左侧，因为

torch.linalg.lstsq(A, B).solution == A.pinv() @ B

如果可能，始终优先使用 lstsq()，因为它比显式计算伪逆更快且数值更稳定。

注意

此函数有一个与 NumPy 兼容的版本 linalg.pinv(A, rcond, hermitian=False)。但是，使用位置参数 rcond 已弃用，建议使用 rtol。

警告

此函数内部使用 torch.linalg.svd()（或在 hermitian= True 时使用 torch.linalg.eigh()），因此其导数与这些函数导数存在相同的问题。有关更多详细信息，请参阅 torch.linalg.svd() 和 torch.linalg.eigh() 中的警告。

另请参阅

torch.linalg.inv() 计算方阵的逆。

torch.linalg.lstsq() 使用数值稳定的算法计算 A.pinv() @ B。

参数

• A (Tensor) – 形状为 (*, m, n) 的张量，其中 * 是零个或多个批处理维度。

• rcond (float, Tensor, optional) – [NumPy Compat]。rtol 的别名。默认为 None。

关键字参数

• atol (float, Tensor, optional) – 绝对容差值。当为 None 时，视为零。默认为 None。

• rtol (float, Tensor, optional) – 相对容差值。当为 None 时，其值请参见上面。默认为 None。

• hermitian (bool, optional) – 指示 A 是厄米特（复数）还是对称（实数）。默认为 False。

• out (Tensor, optional) – 输出张量。如果为 None 则忽略。默认为 None。

示例

>>> A = torch.randn(3, 5)
>>> A
tensor([[ 0.5495,  0.0979, -1.4092, -0.1128,  0.4132],
        [-1.1143, -0.3662,  0.3042,  1.6374, -0.9294],
        [-0.3269, -0.5745, -0.0382, -0.5922, -0.6759]])
>>> torch.linalg.pinv(A)
tensor([[ 0.0600, -0.1933, -0.2090],
        [-0.0903, -0.0817, -0.4752],
        [-0.7124, -0.1631, -0.2272],
        [ 0.1356,  0.3933, -0.5023],
        [-0.0308, -0.1725, -0.5216]])

>>> A = torch.randn(2, 6, 3)
>>> Apinv = torch.linalg.pinv(A)
>>> torch.dist(Apinv @ A, torch.eye(3))
tensor(8.5633e-07)

>>> A = torch.randn(3, 3, dtype=torch.complex64)
>>> A = A + A.T.conj()  # creates a Hermitian matrix
>>> Apinv = torch.linalg.pinv(A, hermitian=True)
>>> torch.dist(Apinv @ A, torch.eye(3))
tensor(1.0830e-06)