Вивчайте Операції з матрицями за допомогою scipy.linalg | Лінійна алгебра та операції з матрицями

Свайпніть щоб показати меню

Коли виникає потреба виконувати розширені операції з матрицями в Python, модуль scipy.linalg надає потужний набір інструментів, які розширюють можливості функцій лінійної алгебри NumPy. Хоча numpy.linalg підходить для багатьох стандартних завдань, scipy.linalg пропонує додаткові алгоритми, кращу продуктивність для окремих операцій і доступ до низькорівневих процедур із бібліотек BLAS та LAPACK. Це робить scipy.linalg переважним вибором для наукових і інженерних застосувань, які потребують надійних і ефективних обчислень з матрицями.


              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)

У цьому прикладі коду показано, як перемножувати матриці за допомогою scipy.linalg.blas.dgemm, що є прямим інтерфейсом до бібліотеки BLAS. Ця функція особливо корисна, коли потрібне високопродуктивне множення матриць, оскільки використовує оптимізовані низькорівневі процедури.

Для матриць $A$ ( $m \times k$ ) і $B$ ( $k \times n$ ) добуток $C$ ( $m \times n$ ) обчислюється так:

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

Функція dgemm виконує цю операцію ефективно за допомогою процедур BLAS. Також можна масштабувати результат за допомогою параметра alpha, тому обчислена матриця має вигляд:

C = \alpha \cdot A \cdot B

Використовуйте dgemm, якщо потрібно контролювати такі параметри, як коефіцієнти масштабування (alpha), або при роботі з великими масивами, де критично важлива продуктивність.


              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)

У цьому прикладі коду демонструється LU-розклад і розв'язання лінійної системи. LU-розклад розкладає матрицю A на три матриці P, L та U так, що:

P A = L U

де:

P — матриця перестановки, яка враховує перестановки рядків;
L — нижня трикутна матриця з одиницями на діагоналі;
U — верхня трикутна матриця.

Ця факторизація допомагає ефективно розв'язувати лінійну систему Ax = b. Спочатку застосовується перестановка до правої частини:

P A x = L U x = P b

Позначимо y як проміжну змінну. Розв'язання відбувається у два кроки:

Прямий хід: розв'язати $L y = P b$ відносно y;
Зворотний хід: $U x = y$ відносно x.

Цей підхід особливо корисний, коли потрібно розв'язати кілька систем з однаковою матрицею A, але різними правими частинами, оскільки LU-розклад обчислюється лише один раз.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 1

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 2. Розділ 1

Операції з матрицями за допомогою scipy.linalg

1. Яка основна відмінність між scipy.linalg та numpy.linalg?

2. Яку функцію слід використовувати для розв'язання системи лінійних рівнянь у SciPy?

3. Яке призначення LU-розкладу в лінійній алгебрі?