- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在运行这个 SVD来自 scipy
的求解器,代码如下:
import numpy as np
from scipy.sparse.linalg import svds
features = np.arange(9,dtype=np.float64).reshape((3,3))
for i in range(10):
_,_,V = svds(features,2)
print i,np.mean(V)
我希望打印的平均值每次都相同,但它会发生变化并且似乎会循环显示一些最喜欢的值。由于低级优化/随机播种,我很乐意接受这种行为。
我不太明白为什么每次运行该脚本时它都会以相同的顺序输出相同的值。对我来说,这似乎是半确定性和半非确定性的。
这个问题正在影响一些更复杂的处理,理解它会很好,这样我至少可以做一些 hacky 解决方法。
最佳答案
没有测试我自己(现在在没有 Python shell 的平板电脑上),我相信这是由于与近似特征求解器库 ARPACK 使用的初始化起点相关的一些奇怪的行为,这就是 svds
结束调用。
如果您按照 svds
中的 Python 代码进行操作, v0
(有问题的起点)仅处理 in _ArpackParams
,如果 v0 为 None
,则将其设置为零并将 info
参数设置为 0
;否则,v0
保留为它的值,info
为 1
。然后我们进入 dragons Fortran 领域,调用(如果矩阵是 double 矩阵)函数 dsaupd
,我没有完全检查,但我假设最终会调用 cgetv0
当请求随机起点时。此功能出现在initialize the LAPACK RNG seed to 1357第一次被调用。
因此,如果您不对 ARPACK 进行任何其他调用(或者可能是其他 LAPACK 事物,不确定它们如何相互作用),您每次都会使用相同的种子启动 RNG,从而获得相同的结果每次初始化点数;因此,假设这是算法中随机性的唯一来源,您每次都会得到相同的答案序列。
例如,您可以通过在代码开头随机调用小矩阵上的 eigs
来解决这个问题。
关于python - scipy linalg 确定性/非确定性代码,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30286014/
Scipy 和 Numpy 在它们之间具有三个不同的函数来查找给定方阵的特征向量,它们是: numpy.linalg.eig(a) scipy.linalg.eig(a) , 和 scipy.spar
这是我的 numpy 数组: z [[ 3.90311860e-322 1.83939721e-001] [ 0.00000000e+000 1.83939721e-001] [ 0
公认的智慧是更喜欢 scipy.linalg 而不是 numpy.linalg 函数。为了进行线性代数,理想情况下(并且方便地)我想结合 numpy.array 和 scipy.linalg 的功能,
有人知道什么时候最好选择哪个吗?在我看来,它们是一样的... lsmr lsqr 最佳答案 两种软件包的功能相同。 LSMR基于2010年的Fong&Saunders算法(请参阅paper),并且最近
如果我们想通过使用正规方程来搜索线性回归模型的最佳参数 theta: theta = inv(X^T * X) * X^T * y 第一步是计算 inv(X^T*X)。因此 numpy 提供 np.l
要求解线性矩阵方程,可以使用 numpy.linalg.solve它实现了 LAPACK 例程 *gesv . 根据文档 DGESV computes the solution to a real s
问题描述 对于方阵,可以得到SVD X= USV' 分解,通过简单地使用 numpy.linalg.svd u,s,vh = numpy.linalg.svd(X) 例程或 numpy.lin
有没有办法提高numpy.linalg.eig()和scipy.linalg.eig()的输出精度? 我正在对角化一个非对称矩阵,但我希望在物理基础上得到正负特征值对的实谱。事实上,特征值确实成对出现
lstsq 尝试解决 Ax=b 最小化 |b - Ax|。 scipy 和 numpy 都提供了一个具有非常相似接口(interface)的 linalg.lstsq 函数。文档没有提到使用哪种算法,
如果我有一个由五个向量 v1...v5 组成的向量空间,则找到 A 的正交基,其中 A=[v1,v2...v5] 且 A 为 5Xn 我应该使用np.linalg.qr(A)还是scipy.linal
我必须求解 x 的大量“Ax=B”类型的线性矩阵方程,其中 A 是一个稀疏矩阵,主要填充主对角线,B 是一个向量。 我的第一种方法是通过 numpy.linalg.solve 使用密集的 numpy
我不太明白为什么 numpy.linalg.solve() 给出了更准确的答案,而 numpy.linalg.inv() 有点崩溃,给出 (我相信是)估计。 举一个具体的例子,我正在求解方程 C^{-
我有一个奇怪的现象,虽然 scipy.sparse.linalg.eigs 对于稀疏矩阵应该更快,但我知道它运行得比正常的 eigvals 方法慢scipy: In [4]: %timeit m.ca
我正在使用 Spark cluster 2.0,我想从 org.apache.spark.mllib.linalg.VectorUDT 转换一个向量至org.apache.spark.ml.linal
我有下面的代码,我使用命令 scipy.linalg.lu() 计算给定方阵的 L 矩阵,然后我再次执行相同的操作,除了然后应用于给定矩阵的稀疏形式使用 scipy.sparse.linalg.slu
我在学习SVD通过关注这个 MIT course . 矩阵构造为 C = np.matrix([[5,5],[-1,7]]) C matrix([[ 5, 5], [-1, 7]]
如何从org.apache.spark.mllib.linalg.SparseVector至org.apache.spark.ml.linalg.SparseVector ? 我正在从 mllib 转
有人可以帮我解决以下错误吗?我正在尝试将数据帧转换为 rdd,以便它可以用于回归模型构建。 Spark 版本:2.0.0 错误 => ClassCastException: org.apache.sp
我正在尝试在 Python 上实现最小二乘曲线拟合算法,我已经在 Matlab 上编写了它。但是,我无法获得正确的变换矩阵,而且问题似乎发生在求解步骤。 (编辑:我的变换矩阵在 Matlab 中非常准
前言 numpy.linalg模块包含线性代数的函数。使用这个模块,可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。本文讲给大家介绍关于numpy基础之 np.linalg的相关内容,下面
我是一名优秀的程序员,十分优秀!