小知识，大挑战！本文正在参与“程序员必备小知识”创作活动。
碎碎念
问题是这样的，今天在看鱼书（《深度学习进阶：自然语言处理》）。看到SVD分解：使用奇异值分解（singular value decomposition，SVD）对矩阵进行降维。
然后我手写了一下书里的代码，结果和书中的输出不一样。本来我想越过这个问题不管它，因为书里还用matplotlib画了散点图，我想我画一下看看和人家结果一不一样不就行了嘛。结果我画图也出bug了。在不能使用图的情况下我只好硬着头皮查资料看看我的SVD分解是不是出错了。
然后我去百度，百度到了什么SVD结果和书上不一样啊和PPT不一样啊怎么的，但是到底也没说为什么，所以我只好自己写一下子了。
SVD是什么
SVD就是把一个矩阵分解成U、S、V三个矩阵。其中U、V是两个列向量彼此正交的矩阵。S是除了对角线元素其他都为0的对角矩阵。
示意图大概长这样：
然后知乎上一个例子写的分解公式大概是这样：
原答主是用图像举的例子，分解的项数越多图片越精细（可以参考拉格朗日余项啊之类的项数越多越精细）。
更详细的看知乎：奇异值的物理意义是什么？ - 知乎 (zhihu.com)
回到代码
我是个数学废物，所以我也不知道结果不一样究竟是什么造成的，但是看完上边那个公式，据我猜测可能是计算保留的项数不一样。所以造成了我和书上的答案不一样。
那如何验证你的结果是否正确呢？ 使用一句简单的[email protected](s)@v即可。
@是pytorch里的张量乘法（区分*是按位乘)- 结果中的S矩阵是个对角矩阵，但是给出的是个向量，需要使用
torch.diag()将其转化为对角矩阵
给一段代码自己试一下：
import torch
# 随机生成一个5*5的张量
tensor = torch.rand(5,5)
# 使用pytorch自带的svd进行分解
u,s,v = torch.linalg.svd(tensor)
# 输出源张量，分解后的三个张量，验证结果
print(f'tensor:\n{tensor}')
print(f'U:\n{u}\nS:\n{s}\nV\n{v}')
print(f'res:\n{[email protected](s)@v}')
复制代码我的结果长这样，可以看到tensor和res的结果是一样的。
你的结果可能和你的矩阵还是不一样？
比如下图这种。 其实下图这种只是乍一看不一样而已。 实际上仔细看一下数字还是一样的，看一下数量级，比如tensor[0][0]这个位置，原来是0，最后计算结果是5.0037e-07，给0.00000050037和0差别很大吗……所以这点差异可以忽而略。还是可以认为结果矩阵是和原矩阵一样的。