Scipy稀疏矩阵SVD求解器arpack、propack、lobpcg性能与耗时对比

下面针对scipy.sparse.linalg.svds提供的三种求解器，从性能、运行时长维度做具体对比：

arpack #

• 基于Arnoldi迭代实现，是Scipy稀疏SVD的默认求解器
• 性能表现：稳定性强，适配大多数常规稀疏矩阵场景，对中小规模矩阵（维度10^4级别以内）、提取少量奇异值（k<20）的情况适配性最好
• 运行时长：中小规模、低k值场景下速度均衡；当矩阵规模极大（10^5+）或需要提取大量奇异值（k>50）时，迭代次数会显著增加，运行时长明显上升
• 内存占用：中等水平，无需额外依赖

propack #

• 基于优化后的Lanczos迭代，是专门针对奇异值分解设计的求解器
• 性能表现：在需要提取多个奇异值（k较大，比如k>30）的场景下，收敛速度远快于arpack；对大型稀疏矩阵（维度10^5+）的处理效率优势明显，尤其适合奇异值分布分散的矩阵
• 运行时长：大规模、高k值场景下运行时长最短，比arpack节省30%-60%的时间（具体取决于矩阵结构和k值）
• 内存占用：内存效率更高，适合内存资源有限的环境

lobpcg #

• 基于LOBPCG算法，通过将SVD问题转化为对称矩阵特征值问题求解
• 性能表现：仅在对称稀疏矩阵的场景下能发挥优势，支持并行计算，可利用多核CPU加速；但对非对称矩阵的适配性差，收敛速度严重依赖初始值选择，稳定性不如前两者
• 运行时长：对称矩阵+并行环境下表现尚可，但非对称矩阵场景下运行时长通常比arpack更长，甚至可能出现不收敛的情况
• 内存占用：并行模式下内存消耗略高

选择建议 #

• 常规中小规模稀疏矩阵、仅需少量奇异值：优先选arpack
• 大型稀疏矩阵、需要提取大量奇异值：优先选propack
• 对称稀疏矩阵且有多核计算资源：可尝试lobpcg

内容的提问来源于stack exchange，提问作者Emil