Singularitätszerlegung (SVD), Low Rank Approximation (LRA) in Python

Wenn Sie beschleunigen möchten, werden Sie es wahrscheinlich nicht von Lapack oder Python aus verwenden. Wenn Sie also solche wissenschaftlichen und technologischen Berechnungen als Antwort für diejenigen verwenden können, die dies in Cuda, C oder C ++ tun

Ich dachte, es wäre ein Memo

Quellcode

low_rank_approximation.py

import numpy as np
from scipy import linalg

def low_rank_approximation(a,rank):
    u, s, v = linalg.svd(a)
    ur = u[:, :rank]
    sr = np.matrix(linalg.diagsvd(s[:rank], rank,rank))
    vr = v[:rank, :]
    return np.asarray(ur*sr*vr)

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
print A
B = low_rank_approximation(A,1)
print B

# python low_rank_approximation.py
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]
# [[ 1.73621779  2.07174246  2.40726714]
#  [ 4.2071528   5.02018649  5.83322018]
#  [ 6.6780878   7.96863051  9.25917322]]

Referenz

• http://qiita.com/kaityo256/items/48de63526b469235d16a
• http://qiita.com/kyoro1/items/4df11e933e737703d549
• http://oppython.hatenablog.com/entry/2014/01/21/003245