Numpy CBLAS/LAPACK与Python中的矩阵求逆_Numpy_Matrix_Lapack_Matrix Inverse_Cblas

Numpy CBLAS/LAPACK与Python中的矩阵求逆

numpy matrix

Numpy CBLAS/LAPACK与Python中的矩阵求逆,numpy,matrix,lapack,matrix-inverse,cblas,Numpy,Matrix,Lapack,Matrix Inverse,Cblas,我试图反转的矩阵是： [ 1 0 1] A = [ 2 0 1] [-1 1 1] 真正的反比是： [-1 1 0] A^-1 = [-3 2 1] [ 2 -1 0] 使用Python的numpy.linalg.inv，我得到了正确的答案。我的一个矩阵求逆例程使用了dgetri，它是： void compute_matrix_inverse_dbl( double* matrix,

我试图反转的矩阵是：

    [ 1  0  1]
A = [ 2  0  1]
    [-1  1  1]

真正的反比是：

       [-1  1  0]
A^-1 = [-3  2  1]
       [ 2 -1  0]

使用Python的numpy.linalg.inv，我得到了正确的答案。我的一个矩阵求逆例程使用了dgetri，它是：

void compute_matrix_inverse_dbl( double* matrix,
                                 int order,
                                 double * inverse )
{

    int N, lwork;
    int success;
    int *pivot;
    double* workspace;

    //===Allocate Space===//
    pivot = malloc(order * order * order * sizeof(*pivot));
    workspace = malloc(order * order * sizeof(*workspace));

    //===Run Setup===//
    N = order;
    copy_array_dbl(matrix, order*order, inverse);
    lwork = order*order;

    //===Factor Matrix===//
    dgetrf_(&N,&N,inverse,&N,pivot,&success);

    //===Compute Inverse===//
    dgetri_(&N, inverse, &N, pivot, workspace, &lwork, &success);

    //===Clean Up===//
    free(workspace);
    free(pivot);

    return;
  }

使用此例程，我得到：

       [-1   1 +-e1 ]
A^-1 = [-3   2   1  ]
       [ 2  -1 +-e2 ]

其中e1和e2以及机器精度1e-16顺序上的小数字。现在也许DGETRIU不是最好的使用方法。然而，当我通过zgeqrf_uu和zungqr_u使用QR分解进行反演时，我得到了类似的答案。当我使用dgesvd作为使用SVD的逆函数时，我也得到了类似的答案

Python似乎使用了一个名为_umath_linalg.inv的例程。所以我有几个问题：

那套程序做什么
我可以使用什么样的CBLAS/LAPACK例程来反转该矩阵并获得类似CBLAS/LAPACK的结果（以便e1和e2被正确的零替换）

根据描述，似乎是的精简版：

此模块是SciPy中linalg.py模块的精简版本，其中包含LAPACK库的高级Python接口

查看，它会调用

getrf

，然后

getri

您需要使用

？GESV

或

？GESVX

进行全精度反演，而不是使用基于分解的解算器。LU速度更快，但正如您所看到的，它会失去精度。Scipy

linalg.solve