1回答
我正在尝试使用np.linalg.eig方法实现奇异值分解，用于图像压缩任务。我们不允许直接使用np.linalg.svd方法。下面是我的svd方法： def svd(A): evals2, V = LA.eig(A.T @ A) sigma = np.array(list(map(math.sqrt, evals))
浏览 31提问于2019-10-05得票数 0
1回答
不使用SVD命令查找图像SVD
、、、、
我的最终目标将是使用SVD实现去噪图像，但目前我正在尝试理解奇异值分解的概念。a = double(rgb2gray(imread('Lenna.png')));Z1 = a_tp*a;
Sig
浏览 0提问于2014-05-01得票数 0
1回答
奇异值分解与EIG的PCA计算
、、、、
PCA可以使用SVD和EIG来计算，但SVD被认为是更稳定的数值(似乎它更常用于成熟的机器学习项目)。因此，我需要在内存使用和性能方面对这两种方法进行一些比较，并证明为什么其中一种方法在数值上更稳定。
我在这里介绍了QR方法和Jacobi旋转法来计算奇异值分解，但我不知道它们的性质。
浏览 1提问于2014-06-18得票数 2
4回答
所以我可以使用linalg.eig或linalg.svd来计算主成分分析。当它们输入相同的数据时，每一个都返回不同的主成分/特征向量和特征值(我目前使用的是Iris数据集)。eig方法给了我一组不同的特征值/向量，我并不介意，除了这些特征值一旦相加，就等于维数(4)，可以用来找出每个分量对总方差的贡献程度。
拿linalg.eig返回的特征值来说，我不能这么做。因此，如果我使用svd()返回的值，这是所有教程中使用的值，我可以从每个维度获得正确的变化
浏览 0提问于2011-01-28得票数 3
1回答
我写了下面的函数来执行奇异值分解，根据伊恩·古德费罗和他的同事写的“深度学习书”的第45页。AA^T ATA = AT.dot(A)
LSV = np.linalg.eig1] RSV = np.linalg.eig(ATA)[1]
V = RSV
浏览 2提问于2018-10-26得票数 0
我知道computeSVD给了我特征向量，但这些是通过奇异值分解得到的，结果是一个密集的矩阵，这是一个本地数据结构。我想要scipy.linalg.eig给出的结果。我看到java中有一个使用ARPACK的函数EigenValueDecomposition，spark的scala api。它会给出与scipy中的eig相同的特征向量吗？如果是，有什么方法可以在pyspark中使用它吗？或者，对于同样的问题，是否有其他解决方案。我可以以某种方式直接在我的代码中使用ARPACK吗?或者我必须
浏览 0提问于2017-09-21得票数 2
1回答
我知道np.linalg.svd(A)会返回矩阵A的奇异值分解。A=u * np.diag(s) * vA=v.T * np.diag(s) * v
在R中我们可以使用La.svd(A,nu=0)，但是Python语言中有没有什么函数可以加速对称矩阵的奇异值分解过程呢？
浏览 38提问于2016-08-11得票数 2
1回答
我正在尝试编写一个程序，它可以获得任意大小的矩阵A，并对其进行奇异值分解：其中A是用户输入的矩阵，U是由A * A'的特征向量组成的正交矩阵，S是奇异值的对角矩阵，V是A问题是: MATLAB函数eig有时返回错误的特征向量。这是我的代码：W=A*A';max=0; for j=i:i,i)=temp;
temp=U(:,temp
浏览 0提问于2013-08-10得票数 5
回答已采纳
1回答
eig_vectors=(eig_vectors/sqrt(eig_vectors'*eig_vectors));
由于eig_vectors'*eig_vectors，它遇到了内存问题。实现这一目标的快速方法是什么？
浏览 0提问于2015-11-12得票数 0
1回答
首先，我建立了一个随机阵列A的奇异值分解U，S，V，并试图证明U'*U==U*U'=I (其中我是恒等矩阵)是从理论上知道的。%and the maximum valueeig_p= [l_min; l_max; z];
Lambda = diag(eig_p);
P = U*La
浏览 1提问于2015-11-01得票数 0
回答已采纳
1回答
特征矩阵向量除法
、、
我正试着在艾根内实现一个正常化器。它试图实现的功能如下：在主要的规范化步骤中，我有一个如下函数： matrix_eig;
typedef Eigen::Matrix<float, Eigen::Dynamic, Eigen::Ro
浏览 0提问于2018-06-27得票数 1
回答已采纳
我正在做一个项目，其中包括潜在语义分析(LSA)的使用。这需要使用奇异值分解(SVD)，有时是在大型数据集上。是否有适用于Windows\Visual Studio环境的随机化奇异值分解(rSVD)实现？我看到一个名为redsvd的项目，但它似乎只在Linux上受支持。
浏览 5提问于2013-06-09得票数 6
回答已采纳
1回答
A=[2 4 1 3; 0 0 2 1];
[aatVecs, aatVals] = eig(A*A');U = aatVecs(:, aatPermutation);
[~, ataPermutation] =
浏览 0提问于2016-02-27得票数 5
回答已采纳
2回答
理想的SVD实现？
、、、
我正在做一些研究，我需要为矩形矩阵的SVD计算实现生产级代码。所以我发现，GraphLab和Mahout使用Lanczos算法来实现奇异值分解，而我发现其他方法包括QR分解和雅可比方法。我的问题是，在计算奇异值分解时，最受欢迎的方法是什么？为什么？
浏览 7提问于2013-05-11得票数 4
2回答
R中大矩阵的零空间的计算
、、、
我找不到任何函数或包来计算bigmatrix (来自library(bigmemory))的空空间或(QR分解)，例如：我尝试了以下步骤，但得到了显示的错误。如何找到bigmemory对象的空空间？# Error in as.vector(data) : q.null
浏览 2提问于2017-09-16得票数 15
回答已采纳
1回答
我想用特征值和特征向量对图像进行压缩，因为我已经用奇异值分解完成了，但是我在尝试用特征值和特征向量压缩图像时做错了一些事情。image_matrix(i, :)); endfor
[V S] = eig上面的代码接收到:一个图像的路径和一个数字k，使得k是某种近似的顺序.我使用('path/to/image', 2)调用它，没有得到预期的结果。另外
浏览 0提问于2019-04-01得票数 0
回答已采纳
1回答
考虑奇异值分解M=USV*。然后M* M的特征值分解得到M* M= V (S* S) V*=VS* U* USV*。函数返回的特征向量与svd函数返回的特征向量相同来验证与numpy的等价性：U1,S1,V1=np.linalg.svd(M) V1=V1.T
# eig
浏览 5提问于2021-02-18得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
云直播
腾讯会议活动推荐
腾讯云开发者
