线性代数作业：Numpy中SVD分解函数学习与应用.pptx

SVD分解的证明

+SVD的应用

作业讲解王琳

打卡作业：1、学习Numpy中SVD分解的函数2、自己再列举2个SVD分解的作用

题目一problemone1.学习Numpy中SVD分解的函数.函数：np.linalg.svd(pute_uv=1)参数：a是一个形如(M,N)矩阵full_matrices的取值是为0或者1，默认值为1，这时u的大小为(M,M)，v的大小为(N,N)?.否则u的大小为(M,K)，v的大小为(K,N)?，K=min(M,N).compute_uv的取值是为0或者1，默认值为1，表示计算u,s,v.为0的时候只计算s.返回值：总共有三个返回值u,s,vu大小为(M,M)，s大小为(M,N)，v大小为(N,N)A=u*s*v有几点需要注意的地方：1.python中的svd分解得到的VT就是V的转置，这一点与matlab中不一样，matlab中svd后得到的是V，如果要还原的话还需要将V转置一次，而Python中不需要。2.Python中svd后得到的sigma是一个行向量，Python中为了节省空间只保留了A的奇异值，所以我们需要将它还原为奇异值矩阵。同时需要注意的是，比如一个5*5大小的矩阵的奇异值只有两个，但是他的奇异值矩阵应该是5*5的，所以后面的我们需要手动补零，并不能直接使用diag将sigma对角化。

题目一Problem