Oppiskele Matriisitoiminnot Scipy.linalg-kirjastolla | Lineaarialgebra ja matriisitoiminnot

Pyyhkäise näyttääksesi valikon

Kun tarvitset edistyneitä matriisioperaatioita Pythonissa, scipy.linalg-moduuli tarjoaa tehokkaan työkalupaketin, joka laajentaa NumPyn lineaarialgebran toimintojen ominaisuuksia. Vaikka numpy.linalg soveltuu moniin tavanomaisiin tehtäviin, scipy.linalg tarjoaa lisäalgoritmeja, paremman suorituskyvyn joissakin operaatioissa sekä pääsyn matalan tason BLAS- ja LAPACK-kirjastojen rutiineihin. Tämän vuoksi scipy.linalg on suosittu valinta tieteellisissä ja teknisissä sovelluksissa, joissa tarvitaan luotettavia ja tehokkaita matriisilaskentoja.


              1234567891011121314151617
            
import numpy as np
from scipy.linalg import blas

# Create two matrices
A = np.array([[1, 2], [3, 4]])
B = np.array([[2, 0], [1, 2]])

# Perform matrix multiplication using BLAS's dgemm (double-precision general matrix multiply)
C = blas.dgemm(alpha=1.0, a=A, b=B)

print("Matrix A:")
print(A)
print("\nMatrix B:")
print(B)
print("\nA multiplied by B using BLAS:")
print(C)

Tämä koodiesimerkki näyttää, kuinka matriisit kerrotaan keskenään käyttämällä scipy.linalg.blas.dgemm-funktiota, joka on suora rajapinta BLAS-kirjastoon. Tämä funktio on erityisen hyödyllinen, kun tarvitaan suorituskykyistä matriisikertolaskua, sillä se hyödyntää optimoituja matalan tason rutiineja.

Annetuilla matriiseilla $A$ ( $m \times k$ ) ja $B$ ( $k \times n$ ) tulo $C$ ( $m \times n$ ) lasketaan seuraavasti:

C_{ij} = \sum_{l=1}^k A_{il} B_{lj}

dgemm-funktio suorittaa tämän operaation tehokkaasti BLAS-rutiinien avulla. Voit myös skaalaa tulosta parametrilla alpha, jolloin laskettu matriisi on:

C = \alpha \cdot A \cdot B

Käytä dgemm-funktiota, kun haluat hallita erityisiä parametreja, kuten skaalauskerrointa (alpha), tai kun työskentelet suurten taulukoiden kanssa, joissa suorituskyky on kriittistä.


              1234567891011121314151617181920
            
import numpy as np
from scipy.linalg import lu, solve

# Define a square matrix and a right-hand side vector
A = np.array([[3, 1, 6], [2, 1, 3], [1, 1, 1]])
b = np.array([12, 7, 3])

# Perform LU decomposition
P, L, U = lu(A)
print("Permutation matrix P:")
print(P)
print("\nLower triangular matrix L:")
print(L)
print("\nUpper triangular matrix U:")
print(U)

# Solve the linear system Ax = b
x = solve(A, b)
print("\nSolution to Ax = b:")
print(x)

Koodiesimerkki havainnollistaa LU-hajotelmaa ja lineaarisen yhtälöryhmän ratkaisua. LU-hajotelmassa matriisi A jaetaan kolmeen matriisiin P, L ja U siten, että:

P A = L U

missä:

P on permutaatiomatriisi, joka huomioi rivinvaihdot;
L on alempi kolmionmuotoinen matriisi, jonka diagonaalilla on ykkösiä;
U on ylempi kolmionmuotoinen matriisi.

Tämä hajotelma mahdollistaa lineaarisen yhtälöryhmän Ax = b tehokkaan ratkaisun. Ensin permutaatio kohdistetaan oikeanpuoleiseen vektoriin:

P A x = L U x = P b

Oletetaan, että y on välimuuttuja. Ratkaisu tapahtuu kahdessa vaiheessa:

Eteenpäin sijoitus: Ratkaise $L y = P b$ muuttujalle y;
Taaksepäin sijoitus: $U x = y$ muuttujalle x.

Tämä menetelmä on erityisen hyödyllinen, kun samaa matriisia A käytetään useiden eri oikeanpuoleisten vektorien kanssa, koska LU-hajotelma tarvitsee laskea vain kerran.

1. Mikä on tärkein ero scipy.linalg- ja numpy.linalg-kirjastojen välillä?

2. Mitä funktiota käyttäisit lineaarisen yhtälöryhmän ratkaisemiseen SciPyssa?

3. Mikä on LU-hajotelman tarkoitus lineaarialgebrassa?

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 1

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 2. Luku 1