Question

我们知道我们可以借助numpy如下计算逆矩阵。

matrix1 = np.matrix([[8,2,5],[7,3,1],[4,9,6]])
inverse_matrix1 = matrix1.I
result = np.matmul(matrix1, inverse_matrix1)

结果如下所示，通过执行np.matmul，我们很容易检查准确性。

matrix([[ 0.03585657,  0.1314741 , -0.05179283],
    [-0.15139442,  0.11155378,  0.10756972],
    [ 0.20318725, -0.25498008,  0.03984064]])

检查结果如下。

matrix([[ 1.00000000e+00,  0.00000000e+00,  2.77555756e-17],
    [ 0.00000000e+00,  1.00000000e+00,  3.46944695e-17],
    [-2.22044605e-16,  0.00000000e+00,  1.00000000e+00]])

但是，这种情况很小。在实践中，尽管我们应避免为大型矩阵计算逆矩阵，但有时我们必须这样做。我发现了那个矩阵。当矩阵相对较大时，我无法为我提供一个相对准确的逆矩阵。该示例如下所示。我想计算形状为（300，300）的高斯核矩阵的逆矩阵。

point = np.reshape(np.linspace(-5.0, 5.0, 300), (300, 1))
kernel_matrix_np = np.exp(-(point - np.transpose(point))**2 / (2 * 2**2))

我不确定如何计算这样的矩阵。非常感谢！

Answer 1

示例之间结果的差异不是由于矩阵的大小，而是由于排名。第一个矩阵是满级

>>> matrix_rank(matrix1)
3  ## Shape of the matrix

矩阵的形状），而在第二种情况下，矩阵的排名为19。

>>> matrix_rank(kernel_matrix_np)
19   ## Much less than the shape of the matrix

在这种情况下，不可能恢复原始矩阵-需要完整等级矩阵。如@Brenlla所述，这反映在条件编号中。粗略地说，条件编号中的每个数量级代表一位精度损失。

>>> cond(kernel_matrix_np)
1.9605027391309521e+19

在使用矩阵进行计算时，这只是检查两件事，通常其中之一将指示问题出在哪里。最后，在某些情况下使用pinv代替inv会产生更好的结果，尽管在这种情况下，由于矩阵的排名不高而无法使用。

如何在python中计算大规模逆矩阵

1 个答案: