numpy.linalg——线性代数运算

import numpy as npA = np.mat("0 1 2; 1 0 3; 4 -3 8")

1. 求逆矩阵

inv = np.linalg.inv(A)
# A必须为方阵

2. 解线性方程组

# BX = b,求解X
B = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0, 8, -9])X = np.linalg.solve(B, b)

3. 求特征值/特征向量

C = np.mat("3 -2;1 0")c0 = np.linalg.eigvals(C)
# 返回特征值c1, c2 = np.linalg.eig(C)
# 返回c1为特征值，c2为特征向量

4. 奇异值分解（SVD, Singular Value Decomposition）

D = np.mat("4 11 14;8 7 -2")U, Sigma, V = np.linalg.svd(D, full_matrices=False)
# 将矩阵D分解为三个矩阵的乘积；
# 返回U,V为正交矩阵，Sigma为包含输入矩阵的奇异值。

5. 广义逆矩阵

E = np.mat("4 11 14;8 7 -2")pseudoinv = np.linalg.pinv(E)
# 不要求E为方阵

6. 行列式

F = np.mat("3 4;5 6")det = np.linalg.det(F)

【参考】
numpy.linalg模块

numpy.linalg——线性代数运算相关推荐

scipy.linalg.norm 线性代数运算 API
线性代数运算 API https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.norm.html
python3 矩阵运算_3.10 矩阵与线性代数运算
## 问题你需要执行矩阵和线性代数运算,比如矩阵乘法.寻找行列式.求解线性方程组等等. ## 解决方案 NumPy库有一个矩阵对象可以用来解决这个问题.矩阵类似于3.9小节中数组对象,但是遵循线性代 ...
《Python Cookbook 3rd》笔记（3.10）：矩阵与线性代数运算
矩阵与线性代数运算问题你需要执行矩阵和线性代数运算,比如矩阵乘法.寻找行列式.求解线性方程组等等. 解法 NumPy 库有一个矩阵对象可以用来解决这个问题. 矩阵类似于 3.9 小节中数组对象,但 ...
3.10矩阵与线性代数运算
问题: 你需要执行矩阵和线性代数运算,比如矩阵乘法.寻找行列式.求解线性方程组等等. 解决方案: Numpy库有一个矩阵对象可以用来解决这个问题. 矩阵类似于3.9小节中数组对象,但是遵循 ...
Lesson 4.张量的线性代数运算
也就是PyTorch中BLAS和LAPACK模块的相关运算. PyTorch中并未设置单独的矩阵对象类型,因此PyTorch中,二维张量就相当于矩阵对象,并且拥有一系列线性代数相关函数和方法. ...
成功解决numpy.linalg.LinAlgError: singular matrix
成功解决numpy.linalg.LinAlgError: singular matrix 目录解决问题解决思路解决方法解决问题 numpy.linalg.LinAlgError: singu ...
Python 第三方模块之 numpy.linalg - 线性代数
目录 numpy.linalg.det() 行列式 numpy.linalg.solve() 方程的解 numpy.linalg.inv() 逆矩阵 np.linalg.eig 特征值和特征向量 np ...
[转载] Python中的numpy linalg模块
参考链接: Python中的numpy.bmat 原文链接:https://www.cnblogs.com/xieshengsen/p/6836430.html # 线性代数 # numpy.lina ...
python之numpy之伪逆numpy.linalg.pinv
文章目录解释及实现笔记伪逆在最简单的线性回归中的应用解释及实现记XXX的伪逆为pinv(X)pinv(X)pinv(X),则有 pinv(X)=(XTX)−1XTpinv(X)=(X^TX) ...
numpy中求解范数(numpy.linalg.norm)以及各阶范数详解
numpy.linalg.norm 语法 numpy.linalg.norm(x,ord=None,axis=None,keepdims=False) Parameters x: array_like ...

numpy.linalg——线性代数运算

1. 求逆矩阵

2. 解线性方程组

3. 求特征值/特征向量

4. 奇异值分解（SVD, Singular Value Decomposition）

5. 广义逆矩阵

6. 行列式

numpy.linalg——线性代数运算相关推荐

最新文章

热门文章