TriangularSolve

bookmark_border Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.

Giải các hệ phương trình tuyến tính với ma trận tam giác trên hoặc dưới bằng cách thay thế ngược.

`ma trận` là một tenxơ có dạng `[..., M, M]` có 2 chiều trong cùng tạo thành ma trận vuông. Nếu `dưới` là `True` thì phần tam giác phía trên của mỗi ma trận trong cùng được coi là bằng 0 và không được truy cập. Nếu `thấp hơn` là Sai thì phần tam giác phía dưới của mỗi ma trận trong cùng được coi là bằng 0 và không được truy cập. `rhs` là một tensor có hình dạng `[..., M, N]`.

Đầu ra là một tensor có hình dạng `[..., M, N]`. Nếu `adjoint` là `True` thì các ma trận trong cùng trong `output` thỏa mãn phương trình ma trận `ma trận[..., :, :] * out[..., :, :] = rhs[..., :, :]`. Nếu `adjoint` là `False` thì các ma trận trong cùng trong `output` thỏa mãn phương trình ma trận `adjoint(matrix[..., i, k]) * out[..., k, j] = rhs[ ..., tôi, j]`.

Lưu ý, hình dạng lô cho đầu vào chỉ cần phát.

Ví dụ:

a = tf.constant([[3,  0,  0,  0],
                  [2,  1,  0,  0],
                  [1,  0,  1,  0],
                  [1,  1,  1,  1]], dtype=tf.float32)
 
 b = tf.constant([[4],
                  [2],
                  [4],
                  [2]], dtype=tf.float32)
 
 x = tf.linalg.triangular_solve(a, b, lower=True)
 x
 # <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
 # array([[ 1.3333334 ],
 #        [-0.66666675],
 #        [ 2.6666665 ],
 #        [-1.3333331 ]], dtype=float32)>
 
 # in python3 one can use `a@x`
 tf.matmul(a, x)
 # <tf.Tensor: shape=(4, 1), dtype=float32, numpy=
 # array([[4.       ],
 #        [2.       ],
 #        [4.       ],
 #        [1.9999999]], dtype=float32)>