文章目录

00 写在前面

（1）矩阵的奇异值分解在最优化问题、特征值问题、最小二乘方问题、广义逆矩阵问题及统计学等方面都有重要应用；

（2）应用：可以从更高维的角度，提取特定信息，可以在损失函数中，加入svd项；

（3）矩阵奇异值分解中，奇异值是唯一确定的，而分解之后的酉矩阵U和V一般是不唯一的，因此，矩阵的奇异值分解式一般也是不唯一的；

01 基于Pytorch版本的SVD算代码

import torch
image = torch.randn(5, 3);
U, S, Vt = torch.linalg.svd(image);
print("U: ", U);
print("S: ", S);
print("Vt: ", Vt);

02 理论知识