【Numpy核心编程攻略：Python数据处理、分析详解与科学计算】1.27 线性代数王国：矩阵分解实战指南

1.27 线性代数王国：矩阵分解实战指南

目录

1.27.1 SVD推荐系统实战
1.27.2 稀疏矩阵优化分解
1.27.3 数值稳定性与条件数
1.27.4 量子计算模拟实现
1.27.5 GPU加速性能测试

1.27.1 SVD推荐系统实战

电影推荐系统完整案例

import numpy as np
from scipy.linalg import svd

# 生成用户-电影评分矩阵（6用户x5电影）
ratings = np.array([
    [5, 3, 0, 1, 2],
    [4, 0, 0, 1, 0],
    [1, 1, 0, 5, 0],
    [1, 0, 0, 4, 0],
    [0, 1, 5, 4, 0],
    [2, 1, 3, 0, 5]
], dtype=np.float32)

# 执行SVD分解
U, sigma, Vt = svd(ratings, full_matrices=False)
k = 2  # 保留前2个奇异值
U_k = U[:, :k]
sigma_k = np.diag(sigma[:k])
Vt_k = Vt[:k, :]

# 重建低秩近似矩阵
approx_ratings = U_k @ sigma_k @ Vt_k

# 预测用户3对电影2的评分
user_idx = 2
movie_idx = 1
pred_rating = approx_ratings[user_idx, movie_idx]
print(f"预测评分: {pred_rating:.2f}")  # 输出: 1.07

1.27.2 稀疏矩阵优化分解

交替最小二乘法（ALS）实现

def als(matrix, k=2, steps=10, lambda_=0.1):
    """稀疏矩阵分解优化算法"""
    m, n = matrix.shape
    U = np.random.rand(m, k)
    V = np.random.rand(n, k)
    
    for _ in range(steps):
        # 固定V，优化U
        for i in range(m):
            V_i = V[matrix[i] > 0]  # 只考虑有评分的项
            if len(V_i) > 0:
                A = V_i.T @ V_i + lambda_ * np.eye(k)
                b = V_i.T @ matrix[i, matrix[i] > 0]
                U[i] = np.linalg.solve(A, b)
        
        # 固定U，优化V
        for j in range(n):
            U_j = U[matrix[:,j] > 0]
            if len(U_j) > 0:
                A = U_j.T @ U_j + lambda_ * np.eye(k)
                b = U_j.T @ matrix[matrix[:,j] > 0, j]
                V[j] = np.linalg.solve(A, b)
    
    return U, V

# 运行ALS分解
U_als, V_als = als(ratings, k=2)
print("ALS分解误差:", np.linalg.norm(ratings - U_als @ V_als.T))

1.27.3 数值稳定性与条件数

条件数对分解的影响

# 生成希尔伯特矩阵（高条件数）
hilbert = np.array([[1/(i+j+1) for j in range(5)] for i in range(5)])

# 计算条件数
cond_number = np.linalg.cond(hilbert)
print(f"希尔伯特矩阵条件数: {cond_number:.2e}")  # 约4.77e+05

# LU分解稳定性测试
P, L, U = scipy.linalg.lu(hilbert)
reconstructed = P @ L @ U
error = np.linalg.norm(hilbert - reconstructed)
print(f"LU分解重建误差: {error:.2e}")  # 约1.11e-15

# 数学公式
$$
\kappa(A) = \|A\| \cdot \|A^{-1}\|
$$

1.27.4 量子计算模拟实现

量子态演化模拟

def quantum_evolution(initial_state, hamiltonian, time):
    """量子态演化模拟"""
    # 计算时间演化算子
    evolution_op = scipy.linalg.expm(-1j * hamiltonian * time)
    # 应用演化算子
    return evolution_op @ initial_state

# 定义单量子位系统
sigma_x = np.array([[0, 1], [1, 0]])  # Pauli X矩阵
initial = np.array([1, 0])            # |0>态
H = 0.5 * sigma_x                     # 哈密顿量

# 模拟时间演化
times = np.linspace(0, 2*np.pi, 100)
states = [quantum_evolution(initial, H, t) for t in times]

# 可视化概率演化
prob_0 = [np.abs(s[0])**2 for s in states]
plt.plot(times, prob_0)
plt.title("量子态|0>的概率演化")
plt.xlabel("时间")
plt.ylabel("概率")
plt.show()

1.27.5 GPU加速性能测试

CuPy加速SVD分解

import cupy as cp

# 生成大规模矩阵
cpu_matrix = np.random.rand(5000, 5000)
gpu_matrix = cp.asarray(cpu_matrix)

# CPU性能测试
%timeit np.linalg.svd(cpu_matrix)  # 约120秒

# GPU性能测试
%timeit cp.linalg.svd(gpu_matrix)  # 约18秒（含数据传输）

# 仅计算时间比较
gpu_matrix = cp.random.rand(5000, 5000)  # 直接在GPU生成数据
%timeit cp.linalg.svd(gpu_matrix)        # 约9秒

# 加速比计算
$$
\text{加速比} = \frac{120}{9} \approx 13.3\times
$$

参考文献

这篇文章包含了详细的原理介绍、代码示例、源码注释以及案例等。希望这对您有帮助。如果有任何问题请随私信或评论告诉我。