线性代数运算

[源码]

cholesky 函数

keras.ops.cholesky(x)

计算正半定矩阵的 Cholesky 分解。

参数

• x: 输入张量，形状为 (..., M, M)。

返回值

形状为 (..., M, M) 的张量，表示 x 的下三角 Cholesky 因子。

[源码]

det 函数

keras.ops.det(x)

计算方阵的行列式。

参数

• x: 输入张量，形状为 (..., M, M)。

返回值

形状为 (...,) 的张量，表示 x 的行列式。

[源码]

eig 函数

keras.ops.eig(x)

计算方阵的特征值和特征向量。

参数

• x: 输入张量，形状为 (..., M, M)。

返回值

• 包含两个张量的元组：一个形状为 (..., M) 的张量，包含特征值；一个形状为 (..., M, M) 的张量，包含特征向量。

[源码]

eigh 函数

keras.ops.eigh(x)

计算复厄米特矩阵的特征值和特征向量。

参数

• x: 输入张量，形状为 (..., M, M)。

返回值

• 包含两个张量的元组：一个形状为 (..., M) 的张量，包含特征值；一个形状为 (..., M, M) 的张量，包含特征向量。

[源码]

inv 函数

keras.ops.inv(x)

计算方阵的逆。

参数

• x: 输入张量，形状为 (..., M, M)。

返回值

形状为 (..., M, M) 的张量，表示 x 的逆。

[源码]

logdet 函数

keras.ops.logdet(x)

计算厄米特正定矩阵的行列式的对数。

参数

• x: 输入矩阵。必须是 2D 方阵。

返回值

矩阵行列式的自然对数。

[源码]

lstsq 函数

keras.ops.lstsq(a, b, rcond=None)

返回线性矩阵方程的最小二乘解。

计算近似求解方程 a @ x = b 的向量 x。方程可能是欠定、适定或超定的（即 a 的线性独立行的数量可以小于、等于或大于其线性独立列的数量）。如果 a 是满秩方阵，则 x（忽略舍入误差）是方程的精确解。否则，x 会使 b - a * x 的 L2 范数最小化。

如果存在多个最小化解，则返回具有最小 L2 范数的解。

参数

• a: “系数”矩阵，形状为 (M, N)。
• b: 纵坐标或“因变量”值，形状为 (M,) 或 (M, K)。如果 b 是二维的，则对 b 的 K 列分别计算最小二乘解。
• rcond: 用于截断 a 中小奇异值的阈值比例。为了确定秩，如果奇异值小于 a 的最大奇异值的 rcond 倍，则将其视为零。

返回值

形状为 (N,) 或 (N, K) 的张量，包含最小二乘解。

注意：输出与 numpy.linalg.lstsq 不同。NumPy 返回一个包含四个元素的元组，其中第一个元素是最小二乘解，其余元素基本从不使用。Keras 只返回第一个值。这样做既是为了确保后端之间的一致性（对于其他值无法实现），也是为了简化 API。

[源码]

lu_factor 函数

keras.ops.lu_factor(x)

计算方阵的 LU 分解。

参数

• x: 形状为 (..., M, M) 的张量。

返回值

• 包含两个张量的元组：一个形状为 (..., M, M) 的张量，包含下三角和上三角矩阵；一个形状为 (..., M) 的张量，包含枢轴。

[源码]

norm 函数

keras.ops.norm(x, ord=None, axis=None, keepdims=False)

矩阵或向量范数。

根据参数 ord 的值，此函数可以返回八种不同矩阵范数中的一种，或（如下所述）无限多种向量范数中的一种。

参数

• x: 输入张量。
• ord: 范数的阶（参见“注意”下的表格）。默认值为 None。
• axis: 如果 axis 是一个整数，则指定计算向量范数时沿 x 的轴。如果 axis 是一个 2 元组，则指定包含 2D 矩阵的轴，并计算这些矩阵的范数。
• keepdims: 如果设置为 True，则在结果中保留被缩减的轴作为大小为一的维度。

注意：对于 ord < 1 的值，严格来说，结果不是数学上的“范数”，但对于各种数值目的可能仍然有用。可以计算以下范数： - 对于矩阵： - ord=None: Frobenius 范数 - ord="fro": Frobenius 范数 - ord="nuc": 核范数 - ord=np.inf: max(sum(abs(x), axis=1)) - ord=-np.inf: min(sum(abs(x), axis=1)) - ord=0: 不支持 - ord=1: max(sum(abs(x), axis=0)) - ord=-1: min(sum(abs(x), axis=0)) - ord=2: 2-范数（最大奇异值） - ord=-2: 最小奇异值 - 其他：不支持 - 对于向量： - ord=None: 2-范数 - ord="fro": 不支持 - ord="nuc": 不支持 - ord=np.inf: max(abs(x)) - ord=-np.inf: min(abs(x)) - ord=0: sum(x != 0) - ord=1: 如下所示 - ord=-1: 如下所示 - ord=2: 如下所示 - ord=-2: 如下所示 - 其他: sum(abs(x)**ord)**(1./ord)

返回值

矩阵或向量的范数。

示例

>>> x = keras.ops.reshape(keras.ops.arange(9, dtype="float32") - 4, (3, 3))
>>> keras.ops.linalg.norm(x)
7.7459664

[源码]

qr 函数

keras.ops.qr(x, mode="reduced")

计算张量的 QR 分解。

参数

• x: 输入张量，形状为 (..., M, N)。
• mode: 指定 QR 分解模式的字符串。
  • 'reduced': 返回简化 QR 分解。（默认）
  • 'complete': 返回完整 QR 分解。

返回值

包含两个张量的元组。第一个形状为 (..., M, K) 的张量是正交矩阵 q，第二个形状为 (..., K, N) 的张量是上三角矩阵 r，其中 K = min(M, N)。

示例

>>> x = keras.ops.convert_to_tensor([[1., 2.], [3., 4.], [5., 6.]])
>>> q, r = qr(x)
>>> print(q)
array([[-0.16903079  0.897085]
       [-0.5070925   0.2760267 ]
       [-0.8451542  -0.34503305]], shape=(3, 2), dtype=float32)

[源码]

solve 函数

keras.ops.solve(a, b)

求解由 a x = b 给定的线性方程组。

参数

• a: 形状为 (..., M, M) 的张量，表示系数矩阵。
• b: 形状为 (..., M) 或 (..., M, N) 的张量，表示右侧或“因变量”矩阵。

返回值

形状为 (..., M) 或 (..., M, N) 的张量，表示线性方程组的解。返回形状与 b 相同。

[源码]

solve_triangular 函数

keras.ops.solve_triangular(a, b, lower=False)

求解由 a x = b 给定的线性方程组。

参数

• a: 形状为 (..., M, M) 的张量，表示系数矩阵。
• b: 形状为 (..., M) 或 (..., M, N) 的张量，表示右侧或“因变量”矩阵。

返回值

形状为 (..., M) 或 (..., M, N) 的张量，表示线性方程组的解。返回形状与 b 相同。

[源码]

svd 函数

keras.ops.svd(x, full_matrices=True, compute_uv=True)

计算矩阵的奇异值分解。

参数

• x: 输入张量，形状为 (..., M, N)。

返回值

• 包含三个张量的元组：一个形状为 (..., M, M) 的张量，包含左奇异向量；一个形状为 (..., M, N) 的张量，包含奇异值；一个形状为 (..., N, N) 的张量，包含右奇异向量。