我需要在Python / Numpy中为两个矩阵AB⁻¹
和A
(B
当然是平方)计算B
。
[我知道np.linalg.inv()
将允许我计算B⁻¹
,然后可以将其乘以A
。我也知道B⁻¹A
实际上是用better计算的np.linalg.solve()
。
[受此启发,我决定用AB⁻¹
重写np.linalg.solve()
。我得到了一个基于identity (AB)' = B'A'
的公式,该公式使用np.linalg.solve()
和.transpose()
:
np.linalg.solve(a.transpose(), b.transpose()).transpose()
似乎正在完成任务:
import numpy as np
n, m = 4, 2
np.random.seed(0)
a = np.random.random((n, n))
b = np.random.random((m, n))
print(np.matmul(b, np.linalg.inv(a)))
# [[ 2.87169378 -0.04207382 -1.10553758 -0.83200471]
# [-1.08733434 1.00110176 0.79683577 0.67487591]]
print(np.linalg.solve(a.transpose(), b.transpose()).transpose())
# [[ 2.87169378 -0.04207382 -1.10553758 -0.83200471]
# [-1.08733434 1.00110176 0.79683577 0.67487591]]
print(np.all(np.isclose(np.matmul(b, np.linalg.inv(a)), np.linalg.solve(a.transpose(), b.transpose()).transpose())))
# True
并且对于足够大的输入,其出现速度也更快:
n, m = 400, 200
np.random.seed(0)
a = np.random.random((n, n))
b = np.random.random((m, n))
print(np.all(np.isclose(np.matmul(b, np.linalg.inv(a)), np.linalg.solve(a.transpose(), b.transpose()).transpose())))
# True
%timeit np.matmul(b, np.linalg.inv(a))
# 100 loops, best of 3: 13.3 ms per loop
%timeit np.linalg.solve(a.transpose(), b.transpose()).transpose()
# 100 loops, best of 3: 7.71 ms per loop
我的问题是:此身份总是是否正确或我忽略了一些极端情况?
[通常,np.linalg.solve(B, A)
等同于np.linalg.solve(B, A)
。其余的只是数学。
在所有情况下,B-1A
:(AB)T = BTAT
。
在这种情况下不是必需的,但对于可逆矩阵,https://math.stackexchange.com/q/1440305/295281:(AB)-1 = B-1A-1
。
对于可逆矩阵,https://math.stackexchange.com/q/688339/295281:(A-1)T = (AT)-1
也是这种情况。
由此得出https://math.stackexchange.com/q/340233/295281。只要(AB-1)T = (B-1)TAT = (BT)-1AT
是可逆的,无论如何您建议的转换都不会有问题。