lu_unpack

paddle.linalg. lu_unpack ( x, y, unpack_ludata=True, unpack_pivots=True, name=None ) [源代码]

对paddle.linalg.lu返回结果的LU、pivot进行展开得到原始的单独矩阵L、U、P。

从LU中获得下三角矩阵L,上三角矩阵U。 从序列pivot转换得到矩阵P,其转换过程原理如下伪代码所示:

ones = eye(rows) #eye matrix of rank rows
for i in range(cols):
    swap(ones[i], ones[pivots[i]])
return ones

参数

  • x (Tensor) - paddle.linalg.lu返回结果的LU矩阵。

  • y (Tensor) - paddle.linalg.lu返回结果的pivot序列。

  • unpack_ludata (bool,可选) - 若为True,则对输入x(LU)进行展开得到L、U,否则。默认True。

  • unpack_pivots (bool,可选) - 若为True,则对输入y(pivots)序列进行展开,得到转换矩阵P。默认True。

  • name (str,可选) - 具体用法请参见 Name ,一般无需设置,默认值为None。

返回

  • Tensor L,由LU展开得到的L矩阵,若unpack_ludata为False,则为None。

  • Tensor U,由LU展开得到的U矩阵,若unpack_ludata为False,则为None。

  • Tensor P,由序列pivots展开得到的旋转矩阵P,若unpack_pivots为False,则为None。

代码示例

import paddle

x = paddle.to_tensor([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]).astype('float64')
lu,p,info = paddle.linalg.lu(x, get_infos=True)

# >>> lu:
# Tensor(shape=[3, 2], dtype=float64, place=CUDAPlace(0), stop_gradient=True,
#    [[5.        , 6.        ],
#        [0.20000000, 0.80000000],
#        [0.60000000, 0.50000000]])
# >>> p
# Tensor(shape=[2], dtype=int32, place=CUDAPlace(0), stop_gradient=True,
#    [3, 3])
# >>> info
# Tensor(shape=[], dtype=int32, place=CUDAPlace(0), stop_gradient=True,
#    0)

P,L,U = paddle.linalg.lu_unpack(lu,p)

# >>> P
# (Tensor(shape=[3, 3], dtype=float64, place=CUDAPlace(0), stop_gradient=True,
# [[0., 1., 0.],
# [0., 0., 1.],
# [1., 0., 0.]]),
# >>> L
# Tensor(shape=[3, 2], dtype=float64, place=CUDAPlace(0), stop_gradient=True,
# [[1.        , 0.        ],
# [0.20000000, 1.        ],
# [0.60000000, 0.50000000]]),
# >>> U
# Tensor(shape=[2, 2], dtype=float64, place=CUDAPlace(0), stop_gradient=True,
# [[5.        , 6.        ],
# [0.        , 0.80000000]]))


# one can verify : X = P @ L @ U ;