我就廢話不多說(shuō)了,大家還是直接看代碼吧~
import numpy as np
kernel = np.array([1, 1, 1, 2]).reshape((2, 2))
print(kernel)
print(np.linalg.inv(kernel))
注意,Singular matrix奇異矩陣不可求逆
補(bǔ)充:python+numpy中矩陣的逆和偽逆的區(qū)別
定義:
對(duì)于矩陣A,如果存在一個(gè)矩陣B,使得AB=BA=E,其中E為與A,B同維數(shù)的單位陣,就稱(chēng)A為可逆矩陣(或者稱(chēng)A可逆),并稱(chēng)B是A的逆矩陣,簡(jiǎn)稱(chēng)逆陣。(此時(shí)的逆稱(chēng)為凱利逆)
矩陣A可逆的充分必要條件是|A|≠0。
偽逆矩陣是逆矩陣的廣義形式。由于奇異矩陣或非方陣的矩陣不存在逆矩陣,但可以用函數(shù)pinv(A)求其偽逆矩陣。
基本語(yǔ)法為X=pinv(A),X=pinv(A,tol),其中tol為誤差,pinv為pseudo-inverse的縮寫(xiě):max(size(A))*norm(A)*eps。
函數(shù)返回一個(gè)與A的轉(zhuǎn)置矩陣A' 同型的矩陣X,并且滿(mǎn)足:AXA=A,XAX=X.此時(shí),稱(chēng)矩陣X為矩陣A的偽逆,也稱(chēng)為廣義逆矩陣。
pinv(A)具有inv(A)的部分特性,但不與inv(A)完全等同。
如果A為非奇異方陣,pinv(A)=inv(A),但卻會(huì)耗費(fèi)大量的計(jì)算時(shí)間,相比較而言,inv(A)花費(fèi)更少的時(shí)間。
代碼如下:
1.矩陣求逆
import numpy as np
a = np.array([[1, 2], [3, 4]]) # 初始化一個(gè)非奇異矩陣(數(shù)組)
print(np.linalg.inv(a)) # 對(duì)應(yīng)于MATLAB中 inv() 函數(shù)
# 矩陣對(duì)象可以通過(guò) .I 求逆,但必須先使用matirx轉(zhuǎn)化
A = np.matrix(a)
print(A.I)
2.矩陣求偽逆
import numpy as np
# 定義一個(gè)奇異陣 A
A = np.zeros((4, 4))
A[0, -1] = 1
A[-1, 0] = -1
A = np.matrix(A)
print(A)
# print(A.I) 將報(bào)錯(cuò),矩陣 A 為奇異矩陣,不可逆
print(np.linalg.pinv(A)) # 求矩陣 A 的偽逆(廣義逆矩陣),對(duì)應(yīng)于MATLAB中 pinv() 函數(shù)
這就是矩陣的逆和偽逆的區(qū)別
截至2020/10/4,matrix函數(shù)還可以使用,但已經(jīng)過(guò)時(shí),應(yīng)該是mat函數(shù)這種。
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教。
您可能感興趣的文章:- Python:合并兩個(gè)numpy矩陣的實(shí)現(xiàn)
- python實(shí)現(xiàn)由數(shù)組生成對(duì)稱(chēng)矩陣
- Python實(shí)現(xiàn)求解斐波那契第n項(xiàng)的解法(包括矩陣乘法+快速冪)
- python用分?jǐn)?shù)表示矩陣的方法實(shí)例
- Python numpy大矩陣運(yùn)算內(nèi)存不足如何解決
- Python計(jì)算矩陣的和積的實(shí)例詳解
- python 如何將兩個(gè)實(shí)數(shù)矩陣合并為一個(gè)復(fù)數(shù)矩陣