使用 linalg.solve 计算条件协方差矩阵的数值稳定方法
Numerically stable way to compute conditional covariance matrix using linalg.solve
我知道建议不要用linalg.inv，求逆矩阵时用linalg.solve。当我遇到像 Ax = b 这样的情况并且我想得到 x 时，这是有道理的，但是有没有一种方法可以计算类似：A - B * D^{-1} * C 而不使用 linalg.inv？或者处理表达式中的逆函数的最稳定的数值方法是什么？
谢谢！
请不要 inv——它并不像大多数人想象的那么糟糕，但有更简单的方法：你提到了 np.linalg.solve(A, b) 如何等于 A^{-1} . b，但没有要求什么b 是。你可以用solve来解决你的问题，A - np.dot(B, np.linalg.solve(D, C)).
（请注意，如果您正在进行分块矩阵求逆，C 很可能 B.transpose()，对吗？）
我知道建议不要用linalg.inv，求逆矩阵时用linalg.solve。当我遇到像 Ax = b 这样的情况并且我想得到 x 时，这是有道理的，但是有没有一种方法可以计算类似：A - B * D^{-1} * C 而不使用 linalg.inv？或者处理表达式中的逆函数的最稳定的数值方法是什么？
谢谢！
请不要 inv——它并不像大多数人想象的那么糟糕，但有更简单的方法：你提到了 np.linalg.solve(A, b) 如何等于 A^{-1} . b，但没有要求什么b 是。你可以用solve来解决你的问题，A - np.dot(B, np.linalg.solve(D, C)).
（请注意，如果您正在进行分块矩阵求逆，C 很可能 B.transpose()，对吗？）