torch.svd_lowrank¶

torch.svd_lowrank(A, q=6, niter=2, M=None)[源代码]¶

返回矩阵、矩阵批次或稀疏矩阵 $A$ 的奇异值分解 (U, S, V)，使得 $A \approx U diag(S) V^T$ 。如果给定 $M$ ，则对矩阵 $A - M$ 进行奇异值分解。

注意

该实现基于Halko等人2009年的算法5.1。

注意

为了获得可重复的结果，重置伪随机数生成器的种子

注意

假设输入是一个低秩矩阵。

注意

通常情况下，由于其10倍的高性能特性，对于密集矩阵使用全秩SVD实现 torch.linalg.svd()。低秩SVD 对于torch.linalg.svd()无法处理的超大稀疏矩阵将非常有用。

Args::

A (Tensor): 输入的张量，大小为 $(*, m, n)$

q (int, 可选): 对A的略微高估的秩。

niter (int, optional): the number of subspace iterations to: 进行；niter 必须是一个非负整数，默认值为 2
M (Tensor, optional): the input tensor’s mean of size: $(*, 1, n)$ .

References::

Nathan Halko、Per-Gunnar Martinsson 和 Joel Tropp，通过随机性发现结构：用于构建近似矩阵分解的概率算法，arXiv:0909.4061 [math.NA; math.PR]，2009年（可在arXiv获取）。