Décomposition de singularité (SVD), approximation de bas rang (LRA) en Python

Si vous voulez accélérer, je ne pense pas que vous l'utiliserez depuis Lapack ou Python, donc si vous pouvez utiliser ces calculs scientifiques et technologiques comme réponse pour ceux qui le font en cuda, C ou C ++

Je pensais que c'était un mémo

Code source

low_rank_approximation.py

import numpy as np
from scipy import linalg

def low_rank_approximation(a,rank):
    u, s, v = linalg.svd(a)
    ur = u[:, :rank]
    sr = np.matrix(linalg.diagsvd(s[:rank], rank,rank))
    vr = v[:rank, :]
    return np.asarray(ur*sr*vr)

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
print A
B = low_rank_approximation(A,1)
print B

# python low_rank_approximation.py
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]
# [[ 1.73621779  2.07174246  2.40726714]
#  [ 4.2071528   5.02018649  5.83322018]
#  [ 6.6780878   7.96863051  9.25917322]]

référence

• http://qiita.com/kaityo256/items/48de63526b469235d16a
• http://qiita.com/kyoro1/items/4df11e933e737703d549
• http://oppython.hatenablog.com/entry/2014/01/21/003245