矩阵的奇异值分解： 设矩阵 A 为 M×N 阶的矩阵，则存在一个分解，使得：A=UΣV^H ，其中 U 为 M×M 阶酉矩阵； Σ 为半正定的 M×N 阶的对焦矩阵； 而 V 为 N×N 阶酉矩阵。

Σ 对角线上的元素为 A 的奇异值，通常按照从大到小排列。

scipy.linalg.svd(a, full_matrices=True, compute_uv=True, overwrite_a=False, 
  check_finite=True, lapack_driver='gesdd')

• a：一个矩阵，形状为(M,N)，待分解的矩阵。
• full_matrices：如果为True，则 U 的形状为(M,M)、 V^H 的形状为(N,N)；否则 U 的形状为(M,K)、V^H 的形状为(K,N)，其中 K=min(M,N)
• compute_uv：如果True，则结果中额外返回U以及Vh；否则只返回奇异值
• overwrite_a：一个布尔值，指定是否将结果写到a的存储区。
• overwrite_b：一个布尔值，指定是否将结果写到b的存储区。
• check_finite：如果为True，则检测输入中是否有nan或者inf
• lapack_driver：一个字符串，指定求解算法。可以为：'gesdd'/'gesvd'。默认的'gesdd'。

返回值：

• U： U 矩阵
• s：奇异值，它是一个一维数组，按照降序排列。长度为 K=min(M,N)
• Vh：就是 V^H 矩阵

判断两个数组是否近似相等 np.allclose(a1,a2)（主要是浮点数的精度问题）