要計(jì)算一個(gè)矩陣的奇異值分解（SVD）并得到對(duì)角矩陣 ，以及正交矩陣，可以使用如 NumPy 這樣的科學(xué)計(jì)算庫(kù)。NumPy 提供了一個(gè) np.linalg.svd 函數(shù)，它能夠?qū)θ我庑螤畹木仃囘M(jìn)行奇異值分解。

下面是計(jì)算 SVD 的基本步驟：

導(dǎo)入 NumPy 庫(kù):

import numpy as np

創(chuàng)建或提供一個(gè)矩陣:
假設(shè)你有一個(gè)矩陣 X。如果你還沒(méi)有這個(gè)矩陣，你可以創(chuàng)建一個(gè)示例矩陣，比如：

X = np.array([[1, 2], [3, 4], [5, 6]])

使用 np.linalg.svd 計(jì)算 SVD:

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

這里，U 是一個(gè)正交矩陣，S 是奇異值的數(shù)組，VT 是另一個(gè)正交矩陣的轉(zhuǎn)置（V 的轉(zhuǎn)置）。full_matrices=False 參數(shù)表示你想要進(jìn)行經(jīng)濟(jì)型 SVD，這在處理非方陣時(shí)特別有用。

將奇異值數(shù)組轉(zhuǎn)換為對(duì)角矩陣:
奇異值數(shù)組 S 需要被轉(zhuǎn)換為對(duì)角矩陣形式。在 NumPy 中，你可以這樣做：

Sigma = np.diag(S)

image.png