python中svd算法的集维数

奇异值分解公式：

A≈ U∑V*

我使用numpy.linalg.svd来运行svd算法。 我想设置矩阵的维数

例如：

A=3*5

dimension，运行numpy.linalg.svd后，

U=3*3

dimension，

∑=3*1

dimension，

V*=5*5

dimension

---

我需要设置特定的维度，比如

U=3*64

dimension，

V*=64*5

dimension。但是在numpy.linalg.svd中似乎没有可选的维度参数可以设置。

如果

A

是

3 x 5

矩阵，那么它的秩最多为3。因此，

A

的奇异值分解最多包含3个奇异值。请注意，在上面的示例中，奇异值存储为向量，而不是对角矩阵。简单地说，这意味着您可以在底部用零填充矩阵。由于完整的S矩阵在对角线上包含3个值，后跟其余的0（在您的情况下，它将是64x64，带有3个非零值），因此V的底部行和U的右侧行根本不相互作用，可以设置为任何您想要的值

请记住，这不再是A的奇异值分解，而是矩阵的压缩奇异值分解加上大量的0。

阅读