Question

我想通过cupy.linalg.svd对一堆矩阵执行SVD（奇异值分解），计算每个矩阵的SVD。

import cupy as cp
arr = cp.random.uniform(size=(1000, 3, 3), dtype=cp.float32)
sing_vals = cp.linalg.svd(arr, compute_uv=False, full_matrices=False)

这会导致错误，声称arr不是2D。显然，cp.linalg.svd只能计算单个2D矩阵的SVD。但是，numpy.linalg.svd总是在数组的最后两个轴上计算SVD，这要强大得多。

是否可以通过cupy中的矩阵堆栈有效地计算SVD？

更好的是，有没有一种通用的方法可以有效地apply_along_axis？

Answer 1

CuPy的当前实现调用cusolverDn<t>gesvd()，该实现不支持批量计算。为了实现高效的批处理计算，我认为CuPy必须调用一个接收批处理输入的CUDA API。

FYI为改善CuPy，cuSOLVER具有cusolverDn<t>gesvdjBatched()和cusolverDn<t>gesvdaStridedBatched()，似乎可以用于批处理SVD（密集型通用矩阵）。我对SVD算法之间的区别一无所知。 j代表Jacobi方法，a代表近似值。

将cupy.linalg.svd应用于一堆矩阵

1 个答案: