稀疏线性代数 (cupyx.scipy.sparse.linalg)

提示

SciPy API 参考：稀疏线性代数 (scipy.sparse.linalg)

抽象线性算子

LinearOperator(shape, matvec[, rmatvec, ...])	执行矩阵向量乘积的通用接口
aslinearoperator(A)	将 A 作为 LinearOperator 返回。

矩阵范数

norm(x[, ord, axis])

cupy.scipy.spmatrix 的范数

解决线性问题

线性方程组的直接方法：

spsolve(A, b)	解决稀疏线性系统 A x = b
spsolve_triangular(A, b[, lower, ...])	求解稀疏三角系统 A x = b。
factorized(A)	返回一个用于求解稀疏线性系统的函数，其中 A 已预分解。

线性方程组的迭代方法：

cg(A, b[, x0, tol, maxiter, M, callback, atol])	使用共轭梯度迭代法来求解 Ax = b。
gmres(A, b[, x0, tol, restart, maxiter, M, ...])	使用广义最小残差迭代法来求解 Ax = b。
cgs(A, b[, x0, tol, maxiter, M, callback, atol])	使用共轭梯度平方迭代法来求解 Ax = b。
minres(A, b[, x0, shift, tol, maxiter, M, ...])	使用最小残差迭代法来求解 Ax = b。

最小二乘问题的迭代方法：

lsqr(A, b)	使用QR分解求解线性系统。
lsmr(A, b[, x0, damp, atol, btol, conlim, ...])	用于最小二乘问题的迭代求解器。

矩阵分解

特征值问题：

eigsh(a[, k, which, v0, ncv, maxiter, tol, ...])	找到实对称方阵或复Hermitian矩阵 A 的 k 个特征值和特征向量。
lobpcg(A, X[, B, M, Y, tol, maxiter, ...])	局部最优块预处理共轭梯度法 (LOBPCG)

奇异值问题：

svds(a[, k, ncv, tol, which, maxiter, ...])

找到稀疏矩阵的最大 k 个奇异值/向量。

完整或不完整的LU分解：

splu(A[, permc_spec, diag_pivot_thresh, ...])	计算稀疏方阵的LU分解。
spilu(A[, drop_tol, fill_factor, drop_rule, ...])	计算稀疏方阵的不完全LU分解。
SuperLU(obj)