sympy的符号计算功能很强大，学习矩阵分析，重温了线性代数中施密特正交化的方法，正好可以用sympy解决一些计算问题。施密特正交化，也称 Gram-Schmidt 正交化过程 (Gram–Schmidt Orthogonalization Procedure). 该⽅法以Jørgen P. Gram 和 Erhard Schmidt 命名, 它更早出现在拉普拉斯和柯西的⽂章中[1]，步骤如下：
(1)
β
1
=
α
1
\beta_1=\alpha_1
β1=α1
(2)
β
j
=
α
j
−
(
β
1
,
α
j
)
(
β
1
,
β
1
)
β
1
−
(
β
2
,
α
j
)
(
β
2
,
β
2
)
β
2
−
(
β
j
−
1
,
α
j
)
(
β
j
−
1
,
β
j
−
1
)
β
j
−
1
\beta_j=\alpha_j-\frac{(\beta_1,\alpha_j)}{(\beta_1,\beta_1)}\beta_1-\frac{(\beta_2,\alpha_j)}{(\beta_2,\beta_2)}\beta_2-\frac{(\beta_{j-1},\alpha_j)}{(\beta_{j-1},\beta_{j-1})}\beta_{j-1}
βj=αj−(β1,β1)(β1,αj)β1−(β2,β2)(β2,αj)β2−(βj−1,βj−1)(βj−1,αj)βj−1
(3)
η
j
=
β
j
∣
∣
β
j
∣
∣
,
j
=
1
,
2
,
.
.
.
,
m
\eta_j=\frac{\beta_j}{||\beta_j||},j=1,2,...,m
ηj=∣∣βj∣∣βj,j=1,2,...,m
例如求3个无关列向量的正交向量组：
α
1
=
(
1
,
2
,
3
)
T
\alpha_1=(1,2,3)^T
α1=(1,2,3)T,
α
2
=
(
2
,
1
,
3
)
T
\alpha_2=(2,1,3)^T
α2=(2,1,3)T,
α
3
=
(
3
,
2
,
1
)
T
\alpha_3=(3,2,1)^T
α3=(3,2,1)T
手动计算可以按照前面的步骤求解，下面介绍sympy相关函数，很简单，如下面代码所示：
from sympy import *
L = [Matrix([1,2,3]), Matrix([2,1,3]), Matrix([3,2,1])]
o1=GramSchmidt(L)
o1
Out[4]:
[Matrix([
[1],
[2],
[3]]), Matrix([
[15/14],
[ -6/7],
[ 3/14]]), Matrix([
[ 4/3],
[ 4/3],
[-4/3]])]
o2=GramSchmidt(L,True) # 标准化
o2
Out[6]:
[Matrix([
[ sqrt(14)/14],
[ sqrt(14)/7],
[3*sqrt(14)/14]]), Matrix([
[ 5*sqrt(42)/42],
[-2*sqrt(42)/21],
[ sqrt(42)/42]]), Matrix([
[ sqrt(3)/3],
[ sqrt(3)/3],
[-sqrt(3)/3]])]
函数GramSchmidt(vlist, orthonormal=False)，将参数orthonormal设为True 计算结果便是标准正交基，记作：
(
α
i
,
α
j
)
=
δ
i
j
(\alpha_i,\alpha_j)=\delta_{ij}
(αi,αj)=δij
注意，scipy.linalg包也提供了函数orth()来计算标准正交基，但是根据文档介绍其使用的方法是SVD奇异值分解，所以求解结果和sympy的不一样
from scipy.linalg import *
import numpy as np
a=np.array([[1,2,3],[2,1,3],[3,2,1]])
a
Out[7]:
array([[1, 2, 3],
[2, 1, 3],
[3, 2, 1]])
a=a.T
a
Out[9]:
array([[1, 2, 3],
[2, 1, 2],
[3, 3, 1]])
orthogonal_procrustes?
orth(a)
Out[11]:
array([[-0.56525513, 0.68901653, 0.45358886],
[-0.47238331, 0.18041382, -0.86273105],
[-0.67626966, -0.70193096, 0.22350007]])
验证：
In [11]: m=b[:,0]
In [12]: n=b[:,1]
In [13]: p=b[:,2]
In [14]: m.dot(n)
Out[14]: -5.551115123125783e-17
In [15]: m.dot(p)
Out[15]: -2.7755575615628914e-17
In [16]: sum([i**2 for i in m])
Out[16]: 0.9999999999999993
关键点
（1）需要正交化的向量写成矩阵的时候应该注意是矩阵每一列代表原来需要正交化的向量；
（2）数学中向量一般都是列向量，书本上为了节省空间通常写作横向量，严谨点的写法应该是横向量后面添加转置符号，但发现目前很多书籍、教材等都没有特意说明，在机器学习里面有很多以向量、矩阵表达的内容，很容易搞得晕头转向；
（3）正交这个概念在数学中很多方面都有涉及，例如
- 正交向量：向量内积为零，
(
x
,
y
)
=
0
(\mathbf{x},\mathbf{y})=0
(x,y)=0
- 正交矩阵：有
A
∈
R
n
×
n
A \in \mathbb{R}^{n \times n}
A∈Rn×n，若
A
T
A
=
I
A^{\rm{T}}A=I
ATA=I，即
A
−
1
=
A
T
A^{\rm{-1}}=A^{\rm{T}}
A−1=AT，称
A
A
A为正交矩阵
- 正交函数：如果
(
f
,
g
)
=
∫
a
b
ρ
(
x
)
f
(
x
)
g
(
x
)
d
x
=
0
(f,g)=\int_a^b\rho(x)f(x)g(x)dx=0
(f,g)=∫abρ(x)f(x)g(x)dx=0，则称函数
f
f
f和
g
g
g在区间
[
a
,
b
]
[a,b]
[a,b]上带权
ρ
(
x
)
\rho(x)
ρ(x)正交
参考资料
[1] 黄正华 武汉大学http://aff.whu.edu.cn/huangzh/
