机器学习的代码中经常有求矩阵的广义逆，本文先从概念上总结了矩阵的广义逆，然后用python的numpy库实践。

概念

矩阵的广义逆（Generalized inverse）也称为伪逆（pseudo inverse），假设一个矩阵 $A\in \mathbb {R} ^{n\times m}$ 及另一矩阵 $A^{\mathrm {g} }\in \mathbb {R} ^{m\times n}$ ，若 $A^{\mathrm {g} }$ 满足 $AA^{\mathrm {g} }A=A$ ，则 $A^{\mathrm {g} }$ 即为A的广义逆矩阵。

提出矩阵的广义逆的原因

提出矩阵的广义逆的目的是对于可逆矩阵以外的矩阵（例如非方阵的矩阵）可以找到一矩阵有一些类似逆矩阵的特性。任意的矩阵都存在广义逆，若一矩阵存在逆矩阵，逆矩阵即为其唯一的广义逆阵。

考虑以下的线性方程组：

$Ax=y$ ，其中 A为 $n\times m$ 的矩阵，而y属于A的列空间。

若矩阵A是可逆矩阵，则 $x=A^{-1}y$ 即为方程式的解。而若矩阵A是可逆矩阵 $AA^{-1}A=A.$

若矩阵A不可逆或是 $n\neq m$ ，需要一个 $m\times n$ 矩阵 $A^g$ 使得下式成立：

因此 $A^gy$ 是线性方程组 $Ax=y$ 的解，此 $m\times n$ 阶的矩阵 $A^g$ 也使 $AA^gA=A$ 成立。

因此可以用以下的方式定义广义逆矩阵：若一个 $n\times m$ 的矩阵A， $m\times n$ 的矩阵 $A^g$ 若可以使 $AA^gA=A$ 成立，则矩阵 $A^g$ 是A的广义逆矩阵。

矩阵的广义逆的种类

若 $A\in \mathbb {R} ^{n\times m}$ 及 $A^{\mathrm {g} }\in \mathbb {R} ^{m\times n}$

(1) $AA^{\mathrm {g} }A=A$

(2) $A^{\mathrm {g} }AA^{\mathrm {g} }=A^{\mathrm {g} }$

(3) $(AA^{\mathrm {g} })^{\mathrm {T} }=AA^{\mathrm {g} }$

(4) $(A^{\mathrm {g} }A)^{\mathrm {T} }=A^{\mathrm {g} }A$ .

若 $A^{\mathrm {g} }$ 满足(1)，即A的广义逆阵。

若满足(1)和(2)，则为A的generalized reflexive inverse。

若四个条件都满足，则为A的Moore–Penrose pseudoinverse。

python实践

下面用numpy.linalg.pinv实践求矩阵的广义逆。

# 定义一个矩阵
In [26]: A=np.array([[1, 2], [3, 4],[5,6]])

In [27]: A
Out[27]: 
array([[1, 2],
       [3, 4],
       [5, 6]])

# 求矩阵的伪逆
In [28]: pinv = np.linalg.pinv(A)

In [29]: pinv
Out[29]: 
array([[-1.33333333, -0.33333333,  0.66666667],
       [ 1.08333333,  0.33333333, -0.41666667]])
复制代码

测试一下

# 中间变量
In [31]: mid = np.dot(A, pinv)

# 满足伪逆的定义，得回了原矩阵A
In [33]: np.dot(mid,A)
Out[33]: 
array([[1., 2.],
       [3., 4.],
       [5., 6.]])

复制代码

因此可以看出，numpy.linalg.pinv的结果（上面的pinv矩阵）满足 $A A^g A=A$

参考资料：

[1] wikipedia 广义逆阵

[2] numpy.linalg.pinv