ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

机器学习线性代数入门
章节 1: 线性代数在机器学习中的重要性
用向量和矩阵表示数据
机器学习算法中的线性代数
核心思想概述
配置Python环境
第 1 章测验
章节 2: NumPy 数值计算入门
NumPy 数组介绍
创建 NumPy 数组
数组索引与切片
数组基本运算
数组属性与形状调整
动手实践:NumPy 数组的创建与操作
第 2 章测验
章节 3: 使用向量
什么是向量?
向量表示法
在Python中使用NumPy的向量
向量加法与减法
标量乘法
向量范数:测量长度
点积
实践:NumPy 向量运算
第 3 章测验
章节 4: 使用矩阵
什么是矩阵?
矩阵记号与维度
使用NumPy在Python中表示矩阵
矩阵类型:方阵、单位矩阵、零矩阵
对角矩阵和三角矩阵
实践:使用NumPy创建矩阵
第 4 章测验
章节 5: 矩阵基本运算
矩阵加法和减法
标量乘法
矩阵转置
矩阵乘法:点积
矩阵乘法的性质
动手实践:NumPy 矩阵运算
第 5 章测验
章节 6: 线性方程组与矩阵逆
使用矩阵表示线性方程
解的含义
单位矩阵再论
矩阵的逆
矩阵可逆的条件
使用逆矩阵求解 Ax = b
使用NumPy计算逆矩阵
使用NumPy求解线性系统
实践:使用NumPy求解方程组
第 6 章测验

本课程已归档: 现已推出包含更新教学大纲和改进内容的新版本。

使用NumPy计算逆矩阵

矩阵逆(A−1A^{-1}A−1)在求解 Ax=bAx = bAx=b 形式的线性方程组中具有理论作用。这里展示了如何使用NumPy计算逆矩阵。尽管在实际中,直接计算逆矩阵通常不是求解方程组的首选方法,但知道如何计算它是一项基本技能。

numpy.linalg 模块

NumPy作为Python数值计算的主要库,包含一个专门用于线性代数运算的子模块:numpy.linalg。该模块包含用于矩阵分解、特征值计算、求解线性系统以及(对我们目前来说很重要)计算矩阵逆的函数。

使用 inv() 计算逆矩阵

要计算方阵的逆矩阵,我们使用 numpy.linalg.inv() 函数。它接受一个方阵(以NumPy数组表示)作为输入,并返回其逆矩阵,同样以NumPy数组形式。

请记住,只有方阵才有逆矩阵,并且即使是方阵,也只有当它们是非奇异的(可逆的)时才有逆矩阵。

让我们看一个例子。考虑以下 2x2 矩阵 AAA:

A=(4726)A = \begin{pmatrix} 4 & 7 \\ 2 & 6 \end{pmatrix}A=(42​76​)

我们可以在NumPy中表示这个矩阵并计算其逆矩阵:

import numpy as np

# 定义矩阵 A
A = np.array([[4, 7],
              [2, 6]])

print("矩阵 A:")
print(A)

# 计算 A 的逆矩阵
try:
    A_inv = np.linalg.inv(A)
    print("\nA 的逆矩阵 (A_inv):")
    print(A_inv)
except np.linalg.LinAlgError as e:
    print(f"\n无法计算逆矩阵: {e}")

执行这段代码将输出原始矩阵 AAA 及其计算出的逆矩阵 AinvA_{inv}Ainv​。

验证逆矩阵

矩阵逆 A−1A^{-1}A−1 的一个规定性质是,当它与原始矩阵 AAA 相乘时,会得到单位矩阵 III。即:

AA−1=A−1A=IA A^{-1} = A^{-1} A = IAA−1=A−1A=I

我们可以使用NumPy的矩阵乘法功能来验证这一点。请记住,@ 运算符执行矩阵乘法(或者您可以使用 np.dot()):

# 验证 A * A_inv
identity_check_1 = A @ A_inv
print("\n验证 (A @ A_inv):")
print(identity_check_1)

# 验证 A_inv * A
identity_check_2 = A_inv @ A
print("\n验证 (A_inv @ A):")
print(identity_check_2)

# 创建预期中的单位矩阵
I = np.identity(A.shape[0]) # A.shape[0] 给出行数(此处为 2)
print("\n单位矩阵 I:")
print(I)

您应该会看到 identity_check_1 和 identity_check_2 都产生一个与 2x2 单位矩阵非常接近的矩阵:

I=(1001)I = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}I=(10​01​)

关于浮点精度的一点说明

您可能会注意到,结果矩阵并非完全是单位矩阵。代替完美的零,您可能会看到非常小的数字,例如 2.22044605e-16(即 2.22×10−162.22 \times 10^{-16}2.22×10−16)。这是计算机处理非整数计算(称为浮点运算)的正常结果。这些微小的差异通常可以忽略不计。

如果您需要以编程方式检查两个矩阵是否在一定容差范围内相等,NumPy 提供了 np.allclose() 函数:

# 检查 A @ A_inv 是否接近单位矩阵 I
are_close = np.allclose(A @ A_inv, np.identity(A.shape[0]))
print(f"\nA @ A_inv 在数值上是否接近 I? {are_close}") # 输出应为 True

不可逆矩阵怎么办?

如果我们尝试计算一个没有逆矩阵(即奇异矩阵)的矩阵的逆,会发生什么?让我们尝试一个矩阵,其中一列是另一列的倍数,从而使其成为奇异矩阵:

B=(1224)B = \begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix}B=(12​24​)
# 定义一个奇异矩阵 B
B = np.array([[1, 2],
              [2, 4]])

print("\n矩阵 B (奇异):")
print(B)

# 尝试计算 B 的逆矩阵
try:
    B_inv = np.linalg.inv(B)
    print("\nB 的逆矩阵:")
    print(B_inv)
except np.linalg.LinAlgError as e:
    print(f"\n无法计算 B 的逆矩阵: {e}")

当您运行这段代码时,NumPy 将检测到该矩阵是奇异矩阵,并引发 LinAlgError: Singular matrix 错误。这是NumPy告诉您给定矩阵 B 没有逆矩阵的方式。这种行为正确对应了“可逆条件”部分中讨论的数学性质。

计算逆矩阵是一项基本操作,np.linalg.inv() 提供了一种直接的方法来完成它。然而,请记住,对于求解方程组 Ax=bAx=bAx=b,直接使用逆矩阵(x=A−1bx = A^{-1}bx=A−1b)有时在数值上不如使用专门的求解器稳定和高效,我们将在下一节中讨论这些求解器。

  • Introduction to Linear Algebra, Gilbert Strang, 2023 (Wellesley-Cambridge Press) - 一本关于线性代数的综合教科书,涵盖矩阵逆、单位矩阵、行列式以及求解线性方程组的方法。此第5版被大学课程广泛使用。
  • numpy.linalg.inv, NumPy Developers, 2023 - NumPy官方文档,介绍如何使用NumPy计算矩阵逆,包括输入、输出和潜在错误,如LinAlgError。
  • Mathematics for Machine Learning, Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong, 2020 (Cambridge University Press) - 为机器学习提供严谨的线性代数处理,包括矩阵逆、数值稳定性以及计算求解线性系统的实际考量。
  • numpy.linalg.solve, NumPy Developers, 2023 - 求解线性系统的官方文档,强调了为何在数值稳定性和效率方面,通常优于直接计算逆来求解系统。

© 2026 ApX Machine Learning