使用tensorflow实现矩阵分解方式
采用最小二乘的求逆方法在大部分情况下是低效率的。特别地，当局镇非常大时效率更低。另外一种实现方法是矩阵分解，此方法使用tensorflow内建的Cholesky矩阵分解法。Cholesky矩阵分解法把一个矩阵分解为上三角矩阵和下三角矩阵，L和L'。求解Ax=b，改写成LL'=b。首先求解Ly=b，然后求解L'x=y得到系数矩阵。
1.导入编程库，初始化计算图，生成数据集。接着获取矩阵A和b。
>>>importmatplotlib.pyplotasplt >>>importnumpyasnp >>>importtensorflowastf >>>fromtensorflow.python.frameworkimportops >>>ops.reset_default_graph() >>>sess=tf.Session() >>>x_vals=np.linspace(0,10,100) >>>y_vals=x_vals+np.random.normal(0,1,100) >>>x_vals_column=np.transpose(np.matrix(x_vals)) >>>ones_column=np.transpose(np.matrix(np.repeat(1,100))) >>>A=np.column_stack((x_vals_column,ones_column)) >>>b=np.transpose(np.matrix(y_vals)) >>>A_tensor=tf.constant(A) >>>b_tensor=tf.constant(b)
2.找到方阵的Cholesky矩阵分解。
注意：tensorflow的cholesky（）函数仅仅返回矩阵分解的下三角矩阵，因为上三角矩阵是下三角矩阵的转置矩阵。
>>>tA_A=tf.matmul(tf.transpose(A_tensor),A_tensor) >>>L=tf.cholesky(tA_A) >>>tA_b=tf.matmul(tf.transpose(A_tensor),b) >>>sol1=tf.matrix_solve(L,tA_b) >>>sol2=tf.matrix_solve(tf.transpose(L),sol1)
3.抽取系数
>>>solution_eval=sess.run(sol2)
>>>solution_eval
array([[1.01379067],
[0.02290901]])
>>>slope=solution_eval[0][0]
>>>y_intercept=solution_eval[1][0]
>>>print('slope:'+str(slope))
slope:1.0137906744047482
>>>print('y_intercept:'+str(y_intercept))
y_intercept:0.022909011828880693
>>>best_fit=[]
>>>foriinx_vals:
...best_fit.append(slope*i+y_intercept)
...
>>>plt.plot(x_vals,y_vals,'o',label='Data')
[]
>>>plt.plot(x_vals,best_fit,'r-',label='Bestfitline',linewidth=3)
[]
>>>plt.legend(loc='upperleft')
>>>plt.show()
以上这篇使用tensorflow实现矩阵分解方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。