是否有可能使用numpy的linalg.matrix_power取模,以使元素的大小不超过特定值?
为了防止溢出,如果您首先对每个输入数字取模,就可以得到相同的结果;实际上:
(M**k) mod p = ([M mod p]**k) mod p,
对于矩阵 M
。这来自以下两个基本身份,它们对于整数x
和y
有效:
(x+y) mod p = ([x mod p]+[y mod p]) mod p # All additions can be done on numbers *modulo p*
(x*y) mod p = ([x mod p]*[y mod p]) mod p # All multiplications can be done on numbers *modulo p*
由于矩阵加法和乘法可以通过标量加法和乘法来表示,因此矩阵也具有相同的标识。这样,您只需要对较小的数字求幂(n mod p通常比n小得多),并且不太可能发生溢出。因此,在NumPy中,您只需执行
((arr % p)**k) % p
为了得到(arr**k) mod p
。
[如果这还不够(即,尽管[n mod p]**k
很小,则n mod p
可能会引起溢出),则可以将幂分解成多个幂。高于产量的基本特征
(n**[a+b]) mod p = ([{n mod p}**a mod p] * [{n mod p}**b mod p]) mod p
和
(n**[a*b]) mod p = ([n mod p]**a mod p)**b mod p.
因此,您可以将电源k
分解为a+b+…
或a*b*…
或其任意组合。上面的身份仅允许您对小数进行小数乘幂运算,从而大大降低了整数溢出的风险。
使用Numpy的实现:
https://github.com/numpy/numpy/blob/master/numpy/matrixlib/defmatrix.py#L98
我通过添加一个模数项对它进行了修改。 HOWEVER,存在一个错误,即如果发生溢出,则不会引发OverflowError
或任何其他类型的异常。从那时起,解决方案将是错误的。有一个错误报告here。
这里是代码。小心使用:
from numpy.core.numeric import concatenate, isscalar, binary_repr, identity, asanyarray, dot
from numpy.core.numerictypes import issubdtype
def matrix_power(M, n, mod_val):
# Implementation shadows numpy's matrix_power, but with modulo included
M = asanyarray(M)
if len(M.shape) != 2 or M.shape[0] != M.shape[1]:
raise ValueError("input must be a square array")
if not issubdtype(type(n), int):
raise TypeError("exponent must be an integer")
from numpy.linalg import inv
if n==0:
M = M.copy()
M[:] = identity(M.shape[0])
return M
elif n<0:
M = inv(M)
n *= -1
result = M % mod_val
if n <= 3:
for _ in range(n-1):
result = dot(result, M) % mod_val
return result
# binary decompositon to reduce the number of matrix
# multiplications for n > 3
beta = binary_repr(n)
Z, q, t = M, 0, len(beta)
while beta[t-q-1] == '0':
Z = dot(Z, Z) % mod_val
q += 1
result = Z
for k in range(q+1, t):
Z = dot(Z, Z) % mod_val
if beta[t-k-1] == '1':
result = dot(result, Z) % mod_val
return result % mod_val
显而易见的方法怎么了?
例如
import numpy as np
x = np.arange(100).reshape(10,10)
y = np.linalg.matrix_power(x, 2) % 50
我以前的所有解决方案都存在溢出问题,因此我必须编写一种算法来解决每个整数乘法之后的溢出问题。这是我的方法:
def matrix_power_mod(x, n, modulus):
x = np.asanyarray(x)
if len(x.shape) != 2:
raise ValueError("input must be a matrix")
if x.shape[0] != x.shape[1]:
raise ValueError("input must be a square matrix")
if not isinstance(n, int):
raise ValueError("power must be an integer")
if n < 0:
x = np.linalg.inv(x)
n = -n
if n == 0:
return np.identity(x.shape[0], dtype=x.dtype)
y = None
while n > 1:
if n % 2 == 1:
y = _matrix_mul_mod_opt(x, y, modulus=modulus)
x = _matrix_mul_mod(x, x, modulus=modulus)
n = n // 2
return _matrix_mul_mod_opt(x, y, modulus=modulus)
def matrix_mul_mod(a, b, modulus):
if len(a.shape) != 2:
raise ValueError("input a must be a matrix")
if len(b.shape) != 2:
raise ValueError("input b must be a matrix")
if a.shape[1] != a.shape[0]:
raise ValueError("input a and b must have compatible shape for multiplication")
return _matrix_mul_mod(a, b, modulus=modulus)
def _matrix_mul_mod_opt(a, b, modulus):
if b is None:
return a
return _matrix_mul_mod(a, b, modulus=modulus)
def _matrix_mul_mod(a, b, modulus):
r = np.zeros((a.shape[0], b.shape[1]), dtype=a.dtype)
bT = b.T
for rowindex in range(r.shape[0]):
x = (a[rowindex, :] * bT) % modulus
x = np.sum(x, 1) % modulus
r[rowindex, :] = x
return r