資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會研究
時尚研究
法律研究PyTorch – 如何計算方陣的特徵值和特徵向量？
**torch.linalg.eig()** 計算方陣或方陣批次的特徵值分解。它接受**float、double、cfloat**和**cdouble**資料型別的矩陣和矩陣批次。它返回一個命名元組 (特徵值，特徵向量)。特徵值和特徵向量始終是複數值。特徵向量由**特徵向量**的列給出。
語法
(eigenvalues, eigenvectors) = torch.linalg.eig(A)
其中 A 是方陣或方陣批次。它返回一個命名元組 (特徵值，特徵向量)。
步驟
匯入所需的庫。在以下所有示例中，所需的 Python 庫是**torch**。確保您已安裝它。
import torch
建立一個方陣或方陣批次。這裡我們定義一個大小為 [3, 3] 的方陣（一個 2D torch 張量）。
A = torch.randn(3,3)
使用**torch.linalg.eig(A)**計算方陣或方陣批次的特徵值分解。這裡 A 是方陣。
eigenvalues, eigenvectors = torch.linalg.eig(A)
顯示特徵值和特徵向量。
print("Eigen Values:
", eigenvalues)
print("Eigen Vectors:
", eigenvectors)示例 1
在這個程式中，我們計算方陣的特徵值和特徵向量。
# import required library
import torch
# create a 3x3 square matrix
A = torch.randn(3,3)
# print the above created matrix
print("Matrix:
", A)
# compute the Eigen values and vectors of the matrix
eigenvalues, eigenvectors = torch.linalg.eig(A)
print("Eigen Values:
", eigenvalues)
print("Eigen Vectors:
", eigenvectors)輸出
它將產生以下輸出：
Matrix: tensor([[-0.7412, 0.6472, -0.4741], [ 1.8981, 0.2936, -1.9471], [-0.1449, 0.0327, -0.8543]]) Eigen Values: tensor([ 1.0190+0.j, -1.3846+0.j, -0.9364+0.j]) Eigen Vectors: tensor([[-0.3476+0.j, -0.7716+0.j, 0.5184+0.j], [-0.9376+0.j, 0.5862+0.j, 0.3982+0.j], [ 0.0105+0.j, -0.2469+0.j, 0.7568+0.j]])
示例 2
在這個程式中，我們計算複數方陣的特徵值和特徵向量。
# import required library
import torch
# create a 2x2 square complex matrix
A = torch.randn(2,2, dtype = torch.cfloat )
# print the above created matrix
print("Matrix:
", A)
# computet the eigen values and vectors of the matrix
eigenvalues, eigenvectors = torch.linalg.eig(A)
print("Eigen Values:
", eigenvalues)
print("Eigen Vectors:
", eigenvectors)輸出
它將產生以下輸出：
Matrix: tensor([[-0.1068-0.0045j, 0.7061-0.5698j], [-0.2521-1.1166j, 0.6921+1.4637j]]) Eigen Values: tensor([0.3194-0.3633j, 0.2659+1.8225j]) Eigen Vectors: tensor([[ 0.8522+0.0000j, -0.2012-0.3886j], [ 0.5231-0.0109j, 0.8992+0.0000j]])
更新於：2022年1月7日
2K+ 次瀏覽
廣告