在numpy的svd方法中使用替代的LAPACK驱动程序？

Question

我正在使用numpy.svd来计算条件较差矩阵的奇异值分解。对于一些特殊情况，SVD无法收敛，并引发Linalg.Error。我进行了一些研究，发现numpy使用来自LAPACK的DGESDD例程。标准实现有一个硬编码的迭代限制，约为35次迭代或其他某些次数。如果我尝试在Matlab中分解相同的矩阵，一切都很顺利，我认为这有两个原因： 1. Matlab使用DGESVD而不是DGESDD，它通常似乎更加稳健。 2. Matlab在该例程中使用了75次的迭代限制。（他们在源代码中做了修改并重新编译了它。）

现在问题是：是否有一种简单的方法可以将numpy使用的后端从DGESDD更改为DGESVD，而无需修改numpy源代码？

提前感谢 Mischa

- Mischa Obrecht

---

这种可能性很小，但您可以编写自己的f2py模块来调用DGESVD。 - Vladimir F Героям слава

我本来希望避免这种情况，但看来我还是不得不去做它了... - Mischa Obrecht

Answer 1

对我有用的方法是只计算矩阵X的"经济尺寸" SVD：

U,S,V = np.linalg.svd(X, full_matrices=False)

- theV0ID

Answer 2

我来晚了，但也许这会帮助其他人...

我在julia中遇到了类似的问题。

我在R帮助列表中找到了这种方法，它适用于使用lapack库的任何环境：

基本上，如果svd(M)失败，请尝试svd(M')，并适当交换得到的U、V。

以下是我在julia中的实现方式：

try
  U,S,V = svd( E_restricted )
  failed = false
catch
  failed = true
end
if failed
  # try it with matrix transposed
  try
    V,S,U = svd( E_restricted' )
    failed = false
  catch
    failed = true
  end
end
if failed
  error("ERROR: svd(E) and svd(E') failed!")
end

- danny