Python SciPy SVD与Numpy SVD

SciPy和Numpy都有用于奇异值分解（SVD）的内置函数。这些命令基本上是

scipy.linalg.svd

和

numpy.linalg.svd

。这两者有什么区别？它们中有哪一个比另一个好吗？

除了错误检查之外，实际工作似乎在 都使用

numpy

和

scipy

在没有进行任何基准测试的情况下，我想性能应该是相同的。

从中可以看出，

scipy.linalg

子模块为Fortran LAPACK库提供了更完整的包装，而

numpy.linalg

试图独立于LAPACK构建

我对

svd

函数的不同实现做了一些研究，发现

scipy.linalg.svd

比numpy对应函数更快：

但是，wrapped numpy，aka

jax.numpy.linalg.svd

甚至更快：

---

基准测试的完整笔记本可用。

我不知道主要行为，但

scipy

版本有两个附加选项：1）

覆盖_a

，它允许对输入进行就地修改，并将减少内存使用并可能加快速度，和2）

检查\u finite

，它允许您在假定数组是有限的情况下调用，从而节省一些开销。谢谢！我不知道jax，这些都是移动的目标。在Windows和Linux上，使用OpenBLAS或MKL，NumPy和SVD的性能现在是相同的。JAX可能更快，我没有测试它。你知道任何真实的，而不是随机的基准测试吗？谢谢