Numpy/Scipy pinv和pinv2的行为不同

我正在Numpy上为极限学习机器使用二维数组。我的一个数组H是随机的，我想计算它的伪逆。 如果我使用scipy.linalg.pinv2，一切都会顺利运行。但是，如果我使用scipy.linalg.pinv，有时（30-40%的情况下）会出现问题

我之所以使用pinv2，是因为我读到（这里：）pinv2在“高”和“宽”阵列上性能更好

问题是，如果H的列j全部为1，那么pinv（H）在第j行具有巨大的系数。 这又是一个问题，因为在这种情况下，np.dot（pinv（H），Y）包含一些nan值（Y是一个小整数数组）

现在，我对线性代数和数值计算的研究还不够深入，无法理解这是一个bug还是两个函数的某些精度相关属性。我希望你回答这个问题，这样，如果是这样的话，我可以提交一份bug报告（老实说，现在我甚至不知道该写什么）

我用np.savetxt（fn，a，'.2e'，'；'）保存了数组：请查看以查找它们

感谢您的帮助。在提供的文件中，您可以在pinv（H）.csv中看到第14、33、55、56和99行具有较大的值，而在pinv2（H）中，相同的行具有更合适的值

---

非常感谢您的帮助。

简而言之，这两个函数实现了两种不同的方法来计算伪逆矩阵：

scipy.linalg.pinv使用最小二乘法，这可能需要大量计算，并且占用大量内存。

scipy.linalg.pinv2使用SVD（奇异值分解），在大多数情况下，它应该以较小的内存占用运行。 numpy.linalg.pinv也实现了这个方法

由于这是两种不同的评估方法，因此得出的矩阵将不相同。每种方法都有各自的优缺点，如果不深入了解数据和伪逆的用途，就很难确定应该使用哪种方法。我只是建议一些尝试和错误，并使用一个给你最好的结果为您的分类器

---

请注意，在某些情况下，这些函数无法收敛到解决方案，然后将引发scipy.stats.linalgeror。在这种情况下，您可以尝试使用第二个pinv实现，这将大大减少您收到的错误量。

切换到浮点而不是整数？您能解释一下为什么这会改变结果吗？我没有查看yr数据，但如果您的值>32位整数，您可能正在将数据强制输入NaN-land。pinv和pinv2的不同行为发生在NaN出现之前。它们出现在连续的点积中。您是对的，在这一点上，一些大整数和float16之间的点可能会导致NaN，因为结果数组仍然是float16，因此无法存储大值。然而，这并不能解释为什么pinv和pinv2的结果如此不同。