무어 펜로즈 유사 역행렬(Moore-Penrose Pseudoinverse) 한 번에 정리하기: Numpy, TensorFlow, PyTorch 사용해 구하는 방법 정리

 

무어 펜로즈 유사 역행렬이란 무엇인가?

행렬에 대해 역행렬을 구하기 위해서는 행렬이 비특이 행렬(non-singular matrix)이어야 한다. 만약 특이행렬이라면 역행렬이 없기 때문에 역행렬을 구할 수 없다. 

역행렬을 구할 수 없는 상황을 해결하기 무어 펜로즈 유사 역행렬이 생겼으며, 어떤 $m \times n$ 행렬 $\mathbf{X}$에 대해 다음 네가지 조건을 만족하는 행렬을 $\mathbf{X}$의 유사역행렬 $\mathbf{X}^+$라 부른다. 

 

1. $\mathbf{X} \mathbf{X}^+ \mathbf{X} = \mathbf{X}$
2. $\mathbf{X}^+ \mathbf{X} \mathbf{X}^+ = \mathbf{X}^+$
3. $(\mathbf{X} \mathbf{X}^+)^T = \mathbf{X} \mathbf{X}^+$
4. $(\mathbf{X}^+ \mathbf{X})^T = \mathbf{X}^+ \mathbf{X}$

 

무어 펜로즈 유사 역행렬이라는 단어가 길기 때문에 아래서 부터는 '유사 역행렬'으로 줄여 부른다.

 

유사 역행렬 계산하기

계산 방법 알아보기

앞서 다룬 특이값 분해를 사용해 $\mathbf{X}$에 대한 유사 역행렬을 계산할 수 있다. 특이값 분해에 대한 수식은 다음과 같다. 

 

$$\mathbf{X} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^T$$  

 

$\mathbf{U}$ : $m \times m$ 정사각 행렬로, $\mathbf{X}$의 좌특이 벡터(Left Singular Vectors)로 구성돼 직교 행렬이 된다

$\mathbf{\Sigma}$: $m \times n$ 대각 행렬

$\mathbf{V}$: $n \times n$ 정사각 행렬로,  $\mathbf{X}$의 우특이 벡터(Left Singular Vectors)로 구성돼 직교 행렬이 된다.

 

만약 특이값 분해에 대해 잘 모른다면 아래 글을 먼저 보고 오면 된다.

특이값 분해(Singular Value Decomposition)란 무엇인가? PyTorch, TensorFlow, Numpy 사용해 특이값 분해하기

 

이렇게 $\mathbf{U}$, $\mathbf{\Sigma}$, $\mathbf{V}$를 구했으면 유사 역행렬 $\mathbf{X}^+$은 다음 수식으로 구할 수 있다.

 

$$\mathbf{X}^+ = \mathbf{V} \mathbf{\Sigma}^+ \mathbf{U}^T$$  

 

아마 나머지 수식은 이해가 가는데 $\mathbf{\Sigma}^+$를 구하는 방법이 궁금할 것이다. $\mathbf{\Sigma}^+$는 $\mathbf{\Sigma}$와 내적했을 때 단위 행렬이 나오는 유사 역행렬으로, 대각 행렬이기 때문에 단순히 $\mathbf{\Sigma}$의 각 원소에 역수를 취한 후 전치(Transpose)를 해서 구할 수 있다.

 

예를 들어 다음 행렬에 대한 유사 역행렬은

 

$$\begin{bmatrix} 1 & 0 \\ 0 & 2 \\ 0 & 0 \end{bmatrix}$$

 

다음 행렬이 된다.

 

$$\begin{bmatrix} 1 & 0 & 0 \\ 0 & 1/2 & 0 \\ \end{bmatrix}$$

 

이제 구하는 방법을 알았으니, 각 과정을 코드를 통해 알아보자.

 

코드로 계산하기

이 코드에서는 다음 행렬 $\mathbf{X}$에 대한 유사 역행렬을 구해본다.

 

$$\begin{bmatrix} 1 & 2 \\ -1 & 2 \\ 0 & 1 \end{bmatrix}$$

 

1. 먼저 특이값 분해를 실행해 $\mathbf{U}$, $\mathbf{\Sigma}$, $\mathbf{V}$를 구한다.

X = np.array([[1, 2], [-1, 2], [0, 1]])
U, Sigma, VT = np.linalg.svd(X)

 

2. $\mathbf{\Sigma}^+$를 구하기 위해 $\mathbf{\Sigma}$를 대각 행렬로 만들고, 역수를 취한 다음 오른쪽에 0을 더한다.

Sigma_diag = np.diag(Sigma) ## 대각행렬 만들기
print("sigma_diag:\n",Sigma_diag)
Sigma_diag_inv = np.linalg.inv(Sigma_diag) ## 역수 취하기
print("Sigma_diag_inv:\n",Sigma_diag_inv)
Sigma_plus = np.concatenate((Sigma_diag_inv, np.array([[0, 0]]).T), axis=1) ## 오른쪽에 0 더하기
print("Sigma_plus:\n",Sigma_plus)

 

위의 코드를 실행해보면 다음과 같은 출력이 나온다.

 

 

 

3. 이제 $\mathbf{X}^+ = \mathbf{V} \mathbf{\Sigma}^+ \mathbf{U}^T$를 통해 $\mathbf{X}^+$를 구해보자.

X_plus = np.matmul(VT.T, np.matmul(Sigma_plus, U.T))
print(X_plus)

 

그러면 다음과 같은 결과가 나온다. 다음 행렬이 $\mathbf{X}^+$이다.

 

 

유사 역행렬이 구해졌다. 이 방법은 과정을 상세화 해서 조금 복잡하게 느껴질 수 있다. 이런 복잡성을 해결하기 위해 Numpy, TensorFlow, PyTorch 같은 머신 러닝 라이브러리에서는 유사 역행렬을 쉽게 구할 수 있는 방법을 제공한다.

 

 

Numpy, TensorFlow, PyTorch 사용해 유사 역행렬 구하기

Numpy 사용해 유사 역행렬 구하기

Numpy를 사용해 유사 역행렬을 구하기 위해서는 linalg.pinv 함수를 사용하면 된다.

import numpy as np

# 행렬 X 정의
X = np.array([[1, 2], [-1, 2], [0, 1]])

# 유사역행렬 계산
X_pseudo_inverse = np.linalg.pinv(X)

print("Numpy Pseudoinverse:\n", X_pseudo_inverse)

 

그러면 결과가 다음과 같이 나오는 것을 볼 수 있다.

 

 

우리가 위에서 구한 값과 완전히 동일한 것을 볼 수 있다.

 

TensorFlow 사용해 유사 역행렬 구하기

TensorFlow를 사용해 유사 역행렬을 구하기 위해서는 linalg.pinv 함수를 사용하면 된다.

import tensorflow as tf

# 행렬 X 정의
X = tf.constant([[1, 2], [-1, 2], [0, 1]], dtype=tf.float32)

# 유사역행렬 계산
X_pseudo_inverse = tf.linalg.pinv(X)

print("TensorFlow Pseudoinverse:\n", X_pseudo_inverse)

 

이 결과도 위와 동일한 것을 볼 수 있다.

 

 

 

PyTorch 사용해 유사 역행렬 구하기

PyTorch를 사용해 유사 역행렬을 구하기 위해서는 linalg.pinv 함수를 사용하면 된다. 

import torch

# 행렬 X 정의
X = torch.tensor([[1, 2], [-1, 2], [0, 1]], dtype=torch.float32)

# 유사역행렬 계산
X_pseudo_inverse = torch.linalg.pinv(X)

print("PyTorch Pseudoinverse:\n", X_pseudo_inverse)

 

결과값이 마찬가지로 동일한 것을 볼 수 있다.