我们知道如果一个矩阵 A 是方阵，即行列维度相同（mxm），一般来说可以对 A 进行特征分解：
其中，U 的列向量是 A 的特征向量，Λ 是对角矩阵，Λ 对角元素是对应特征向量的特征值。
举个简单的例子，例如方阵 A 为：
那么对其进行特征分解，相应的 Python 代码为:
运行输出：
特征分解就是把 A 拆分，如下所示：
其中，特征值 λ1=3.41421356，对应的特征向量 u1=[0.81649658 0.57735027]；特征值 λ2=0.58578644，对应的特征向量 u2=[-0.81649658 0.57735027]，特征向量均为列向量。
值得注意的是，特征向量都是单位矩阵，相互之间是线性无关的，但是并不正交。得出的结论是对于任意方阵，不同特征值对应的特征向量必然线性无关，但是不一定正交。
但是实际应用中，很多矩阵都是非方阵、非对称的。那么如何对这类矩阵进行分解呢？因此，我们就引入了针对维度为 mxn 矩阵的分解方法，称之为奇异值分解
假设矩阵 A 的维度为 mxn，虽然 A 不是方阵，但是下面的矩阵却是方阵，且维度分别为 mxm、nxn
因此，我们就可以分别对上面的方阵进行分解：
其中，Λ1 和 Λ2 是对焦矩阵，且对角线上非零元素均相同，即两个方阵具有相同的非零特征值，特征值令为 σ1, σ2, ... , σk。值得注意的是，k<=m 且 k<=n。
根据 σ1, σ2, ... , σk 就可以得到矩阵 A 的特征值为：
接下来，得到奇异值分解的公式：
其中，P 称为左奇异矩阵，维度是 mxm，Q 称为右奇异矩阵，维度是 nxn。Λ 并不是方阵，其维度为 mxn，Λ 对角线上的非零元素就是 A 的特征值 λ1, λ2, ... , λk。图形化表示奇异值分解如下图所示：
举个简单的例子来说明，令 A 为 3x2 的矩阵：
计算得到特征向量 P 和对应的特征值 σ 为：
计算得到特征向量 Q 和对应的特征值 σ 为：
可以得到 A 的特征值为：
最后，整合矩阵相乘结果，满足奇异值分解公式。
奇异值分解可以写成以下和的形式：
其中，p1 和 q1 分别为左奇异矩阵和右奇异矩阵的特征向量
如何形象化理解 SVD
对该图片进行奇异值分解，则该图片可写成以下和的形式：
λ1, λ2, ... , λk 是按照从大到小的顺序的。
首先，若只保留最大的奇异值 λ1，舍去其它奇异值，即 A=λ1p1q1T，然后作图：
结果完全看不清楚，再多加几个奇异值，取前 5 个最大的奇异值，然后作图：
现在貌似有点轮廓了，继续增加奇异值，取前 10 个最大的奇异值，然后作图：
又清晰了一些，继续将奇异值增加到 20 个，然后作图：
现在已经比较清晰了，继续将奇异值增加到 50 个，然后作图：
可见，取前 50 个最大奇异值来重构图像时，已经非常清晰了。我们得到和原图差别不大的图像。也就是说，随着选择的奇异值的增加，重构的图像越来越接近原图像。
基于这个原理，奇异值分解可以用来进行图片压缩。例如在本例中，原始图片的维度是 870x870，总共需要保存的像素值是：870x870=756900。若使用 SVD，取前 50 个最大的奇异值即可，则总共需要存储的元素个数为：
(870+1+870)x50=87050
显然，所需存储量大大减小了。在需要存储许多高清图片，而存储空间有限的情况下，就可以利用 SVD，保留奇异值最大的若干项，舍去奇异值较小的项即可。
值得一提的是，奇异值从大到小衰减得特别快，在很多情况下，前 10% 甚至 1% 的奇异值的和就占了全部的奇异值之和的 99% 以上了。这对于数据压缩来说是个好事。
SVD 数据压缩的算法图示如下：
SVD 数据压缩的示例代码为：
