理想的SVD实现？

Question

当然，理想是主观的。我正在做一些研究，我需要为矩形矩阵的SVD计算实现生产级代码。所以我发现，GraphLab和Mahout使用Lanczos算法来实现奇异值分解，而我发现其他方法包括QR分解和雅可比方法。我的问题是，在计算奇异值分解时，最受欢迎的方法是什么？为什么？

Answer 1

我发现this paper似乎很有帮助。

在部分中

奇异值分解的45.2算法

不同的算法正在讨论中。

这些算法的不同之处在于是否涉及迭代，以及需要什么确切的输出，比如如果你只想要特征向量，事情就会有一点不同。

Answer 2

你可以尝试一下C++的特征库，如果你是一名C++程序员，它的性能非常好，使用起来并不困难：

http://eigen.tuxfamily.org/dox/classEigen_1_1JacobiSVD.html

Graphlab将Eigen用于线性代数，不确定他们是否将其用于SVD。