用python求解特征向量和拉普拉斯矩阵 python

学过线性代数和深度学习先关的一定知道特征向量和拉普拉斯矩阵，这两者是很多模型的基础，有着很重要的地位，那用python要怎么实现呢？
numpy和scipy两个库中模块中都提供了线性代数的库linalg,scipy更全面些。
特征值和特征向量
import scipy as sc
返回特征值，按照升序排列，num定义返回的个数 【用python求解特征向量和拉普拉斯矩阵】def eignvalues(matrix, num):

return sc.linalg.eigh(matrix, eigvalues(0, num-1))[0]

返回特征向量 def eighvectors(matrix):

return sc.linalg.eigh(matrix, eigvalues(0, num-1))[1]

调用实例
创建一个对角矩阵，很容易得知它的特征值是1,2,3 matrix = sc.diag([1,2,3])
调用特征值函数,获取最小的特征值 minValue = https://www.it610.com/article/eighvalues(matrix, 1)
调用特征向量函数，获取所有的特征向量 vectors = eighvectors(matrix, 3)
拉普拉斯矩阵
很多图模型中都涉及到拉普拉斯矩阵，它有三种形式，这次给出的代码是D-A(度矩阵-邻接矩阵）和第二种标准化的形式:

文章图片

laplacian矩阵 import numpy as np
def unnormalized_laplacian(adj_matrix):

# 先求度矩阵 R = np.sum(adj_matrix, axis=1) degreeMatrix = np.diag(R) return degreeMatrix - adj_matrix

def normalized_laplacian(adj_matrix):

R = np.sum(adj_matrix, axis=1) R_sqrt = 1/np.sqrt(R) D_sqrt = np.diag(R_sqrt) I = np.eye(adj_matrix.shape[0]) return I - D_sqrt * adj_matrix * D_sqrt

本次分享就到这啦，如有帮助的话，点个关注再走吧，感谢阅读！