python - 将 cupy.linalg.svd 应用于一堆矩阵

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)

这给出了一个错误，声称arr不是二维的。显然，cp.linalg.svd 只能计算单个二维矩阵的 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。

<小时/>

有没有办法在 cupy 中有效计算一堆矩阵的 SVD？

更好的是，有没有一种通用方法可以有效apply_along_axis？

Answer 1

CuPy 的当前实现调用 cusolverDn<t>gesvd() ，不支持批量计算。为了实现高效的批量计算，我认为 CuPy 必须调用接收批量输入的 CUDA API。

仅供引用，改进 CuPy，cuSOLVER 有 cusolverDn<t>gesvdjBatched()和cusolverDn<t>gesvdaStridedBatched() ，这似乎可以用于批量 SVD(密集一般矩阵)。我不知道 SVD 算法之间的差异。 j代表雅可比方法和 a代表近似值。