Pytorch 提供了一個(gè)lstsq函數(shù)，但是它返回的結(jié)果與 numpy 的版本有很大的不同。這是一個(gè)示例輸入及其結(jié)果：import numpy as npimport torch a = torch.tensor([[1., 1, 1], [2, 3, 4], [3, 5, 2], [4, 2, 5], [5, 4, 3]])b = torch.tensor([[-10., -3], [ 12, 14], [ 14, 12], [ 16, 16], [ 18, 16]])a1 = a.clone().numpy()b1 = b.clone().numpy()x, r = torch.lstsq(b, a)x1, res, r1, s = np.linalg.lstsq(b1, a1)print(f'torch_x: {x}')print(f'torch_r: {r}\n')print(f'np_x: {x1}')print(f'np_res: {res}')print(f'np_r1(rank): {r1}')print(f'np_s: {s}')輸出：torch_x: tensor([[ 2.0000, 1.0000], [ 1.0000, 1.0000], [ 1.0000, 2.0000], [10.9635, 4.8501], [ 8.9332, 5.2418]])torch_r: tensor([[-7.4162, -6.7420, -6.7420], [ 0.2376, -3.0896, 0.1471], [ 0.3565, 0.5272, 3.0861], [ 0.4753, -0.3952, -0.4312], [ 0.5941, -0.1411, 0.2681]])np_x: [[-0.11452514 -0.10474861 -0.28631285] [ 0.35913807 0.33719075 0.54070234]]np_res: [ 5.4269753 10.197526 1.4185953]np_r1(rank): 2np_s: [43.057705 5.199417]我在這里錯(cuò)過(guò)了什么？
1 回答
九州編程
TA貢獻(xiàn)1785條經(jīng)驗(yàn) 獲得超4個(gè)贊
torch.lstq(a, b)求解minX L2∥bX?a∥ 同時(shí) np.linalg.lstsq(a, b)求解minX L2∥aX?b∥
所以改變傳遞參數(shù)的順序。
這是一個(gè)示例：
將 numpy 導(dǎo)入為 np 導(dǎo)入火炬
a = torch.tensor([[1., 1, 1],
? ? ? ? ? ? ? ? ? [2, 3, 4],
? ? ? ? ? ? ? ? ? [3, 5, 2],
? ? ? ? ? ? ? ? ? [4, 2, 5],
? ? ? ? ? ? ? ? ? [5, 4, 3]])
b = torch.tensor([[-10., -3],
? ? ? ? ? ? ? ? ? [ 12, 14],
? ? ? ? ? ? ? ? ? [ 14, 12],
? ? ? ? ? ? ? ? ? [ 16, 16],
? ? ? ? ? ? ? ? ? [ 18, 16]])
a1 = a.clone().numpy()
b1 = b.clone().numpy()
x, _ = torch.lstsq(a, b)
x1, res, r1, s = np.linalg.lstsq(b1, a1)
print(f'torch_x: {x[:b.shape[1]]}')
print(f'np_x: {x1}')
結(jié)果：
torch_x: tensor([[-0.1145, -0.1047, -0.2863],
? ? ? ? [ 0.3591,? 0.3372,? 0.5407]])
np_x: [[-0.11452514 -0.10474861 -0.28631285]
?[ 0.35913807? 0.33719075? 0.54070234]]
而且rank從 numpy.lianalg.lstsq 返回的是第一個(gè)參數(shù)的等級(jí)。要在 pytorch 使用函數(shù)中獲得排名torch.matrix_rank()。
添加回答
舉報(bào)
0/150
提交
取消