我正在尝试使用Cupy解决矩形系统的稀疏特征。我知道内置函数sparse.linalg.lsqr(A, b)可用于方阵A。但是我喜欢解决一个矩形稀疏系统。这是我们解决平方系统的方法：
Import cupy as cp
A = cp.sparse.rand(200, 100, density=0.1)
b = cp.random.random(100)
x = cp.sparse.linalg.lsqr (A, b)
print(x)
它给矩形系统带来尺寸失配的错误，我找不到等效于例如的内置稀疏方法。 cupy.tensorsolve()。
顺便问一下，有没有办法用Tensorflow做到这一点？ 谢谢你的帮助。我使用的是Google合作笔记本。
答案 0 :(得分：2)
对于发问者来说可能为时已晚，但对于后代，我回答了这个问题。
这可以通过将MAGMA中的lsqr包装在this example中来实现。
答案 1 :(得分：-1)
您可以参考https://docs-cupy.chainer.org/en/stable/reference/linalg.html来了解当前Cupy对线性代数的支持功能。我可以找到cupy.linalg.tensorsolve，但到目前为止找不到cupy.linalg.lsqr。
另外，我认为将此问题标记为“ cupy”或“ numpy”也很好。