我需要在 Python / Numpy 中为两个矩阵A
和B
计算AB⁻¹
(B
当然是正方形)。
我知道np.linalg.inv()
将允许我计算B⁻¹
,然后可以将其与A
相乘。我还知道B⁻¹A
实际上是better用np.linalg.solve()
计算。
受此启发,我决定用np.linalg.solve()
重写AB⁻¹
。我得到了一个基于identity(AB)ᵀ = BᵀAᵀ
的公式,它使用np.linalg.solve()
和.transpose()
:
np.linalg.solve(a.transpose(), b.transpose()).transpose()
这似乎是做的工作:
import numpy as np
n, m = 4, 2
np.random.seed(0)
a = np.random.random((n, n))
b = np.random.random((m, n))
print(np.matmul(b, np.linalg.inv(a)))
# [[ 2.87169378 -0.04207382 -1.10553758 -0.83200471]
# [-1.08733434 1.00110176 0.79683577 0.67487591]]
print(np.linalg.solve(a.transpose(), b.transpose()).transpose())
# [[ 2.87169378 -0.04207382 -1.10553758 -0.83200471]
# [-1.08733434 1.00110176 0.79683577 0.67487591]]
print(np.all(np.isclose(np.matmul(b, np.linalg.inv(a)), np.linalg.solve(a.transpose(), b.transpose()).transpose())))
# True
对于足够大的输入,也会出现得更快:
n, m = 400, 200
np.random.seed(0)
a = np.random.random((n, n))
b = np.random.random((m, n))
print(np.all(np.isclose(np.matmul(b, np.linalg.inv(a)), np.linalg.solve(a.transpose(), b.transpose()).transpose())))
# True
%timeit np.matmul(b, np.linalg.inv(a))
# 100 loops, best of 3: 13.3 ms per loop
%timeit np.linalg.solve(a.transpose(), b.transpose()).transpose()
# 100 loops, best of 3: 7.71 ms per loop
我的问题是:这个身份总是站正确或有一些角落的情况下,我俯瞰?
一般来说,np.linalg.solve(B, A)
相当于B-1A
,其余的只是数学。
(AB)T= BTAT
:https://math.stackexchange.com/q/1440305/295281.
对于这种情况不是必需的,但对于可逆矩阵,(AB)-1 = B-1A-1
:https://math.stackexchange.com/q/688339/295281。
对于可逆矩阵,情况也是(A-1)T = (AT)-1
:https://math.stackexchange.com/q/340233/295281。
由此得出(AB-1)T = (B-1)TAT = (BT)-1AT
。只要B
是可逆的,您在任何情况下提出的转换都应该没有问题。
本站系公益性非盈利分享网址,本文来自用户投稿,不代表码文网立场,如若转载,请注明出处
评论列表(55条)