MATLAB有一个gsvd函数来执行广义SVD。自2013年以来，我认为关于github pages关于将其置于scipy中的问题进行了大量讨论，有些页面有我可以使用的代码，例如here，对于像我这样的新手来说这是非常复杂的（对于让它运行）。
我还找到了implementation的LJWilliams github页面。这很不好，因为转移到python 3时有很多错误。尝试纠正断言和打印等简单的错误。它很快变得复杂。
有人可以帮我使用python的gsvd代码或告诉我如何使用在线的吗？
此外，一旦打印和断言语句得到纠正，这就是我在LJWilliams实现中得到的结果。代码看起来很复杂，我不确定花时间做它是最好的事情！还有一些人报告了同一个github页面上的问题，我不确定它是固定还是已连接。
n = 10
m = 6
p = 6
A = np.random.rand(m,n)
B = np.random.rand(p,n)
gsvd(A,B)
文件“/home/eghx/agent18/master_thesis/AMfe/amfe/gsvd.py”，第260行， 在gsvd U，V，Z，C，S = csd（Q [0：m，：]，Q [m：m + n，：]）
文件“/home/eghx/agent18/master_thesis/AMfe/amfe/gsvd.py”，第107行， 在csd Q，R = scipy.linalg.qr（S [q：n，m：p]）
文件 “/home/eghx/anaconda3/lib/python3.5/site-packages/scipy/linalg/decomp_qr.py” 第141行，第2行 overwrite_a = overwrite_a）
文件 “/home/eghx/anaconda3/lib/python3.5/site-packages/scipy/linalg/decomp_qr.py” 第19行，在safecall ret = f（* args，** kwargs）
ValueError：无法创建意图（缓存|隐藏）|可选数组 - 必须 定义了尺寸但得到了（0，）
答案 0 :(得分：4)
如果你想在github上使用LJWillams实现，那就有一些bug。但是，要完全理解这项技术，我可能会建议您自己去实施它。我查看了Octave（相当于MATLAB的免费软件）和他们的"code is a wrapper to the corresponding Lapack dggsvd and zggsvd routines."，这是scipy应该做的事情。
我会发布我发现的错误，但我不打算将代码发布到完整的工作状态，因为我不确定版权方面的代码是什么，因为受版权保护的MATLAB实现，用于翻译它。
警告 ：我不是广义SVD的专家，只是从调试的角度来看这个问题，而不是基础算法是否正确。我已经在你的原始随机数组和Python文件中已经存在的测试用例上工作了。
设置k
在第63行附近，设置k的条件和对numpy.argparse的误解（特别是与MATLAB＆＃39; s find相比）似乎设置了k错误在某些情况下。将该代码更改为
if q == 1:
k = 0
elif m < p:
k = n;
else:
k = max([0,sum((np.diag(C) <= 1/np.sqrt(2)))])
S [1,1]应该是S [0,0]，我认为（Python 0索引数组）
这里的numpy矩阵切片似乎错了。我通过将第83-95行改为：
来获得代码 UT, ST, VT = scipy.linalg.svd(slice_matrix(S,i,j))
ST = add_zeros(ST,np.zeros([n-k,r-k]))
if k > 0:
print('Zeroing elements of S in row indices > r, to be replaced by ST')
S[0:k,k:r] = 0
S[k:n,k:r] = ST
C[:,j] = np.dot(C[:,j],VT)
V[:,i] = np.dot(V[:,i],UT)
Z[:,j] = np.dot(Z[:,j],VT)
i = np.arange(k,q)
Q,R = scipy.linalg.qr(C[k:q,k:r])
C[i,j] = np.diag(diagf(R))
U[:,k:q] = np.dot(U[:,k:q],Q)
使用diagp()的两个矩阵乘法应该是X*Y而是np.dot(X,Y)中的* element-wise multiplication，而不是矩阵乘法。）