Numpy计算SVD得到的矩阵符号与示例不符，原因何在？

这是个非常典型的SVD特性问题——其实SVD的解本身就存在符号的非唯一性，你的结果完全是正确的，下面给你拆解清楚背后的原因：

奇异向量的符号自由度 #

SVD的核心分解式是 ( A = U\Sigma V^T )，其中( \Sigma ) 是对角矩阵，对角线上的奇异值都是非负的。对于任意一个非零的奇异值( \sigma_i )，对应的左奇异向量( u_i )和右奇异向量( v_i )存在一个关键的自由度：

如果把( u_i )取反变为( -u_i )，同时把( v_i )也取反变为( -v_i )，代入分解式后，对应的项不会发生变化：

(-u_i) * σ_i * (-v_i)^T = (-u_i) * σ_i * (-v_i^T) = u_i * σ_i * v_i^T

这意味着每一组配对的奇异向量都可以同时翻转符号，得到另一个完全合法的SVD解。你看到的Numpy结果和PDF示例的差异，本质上就是选择了这两种不同的符号组合而已。

数值算法的符号选择差异 #

不同工具（包括Numpy和你参考的PDF里的计算方法）在实现SVD时，内部的数值算法（比如QR分解迭代、Jacobi方法等）可能会有不同的符号约定，或者在计算过程中对基向量的符号做出了不同选择。这些选择都是合理的，只要最终满足( A = U\Sigma V^T )，这个分解就是有效的——毕竟线性算子的作用不会因为基向量的符号翻转而改变，就像你说的，符号会相互抵消。

验证你的分解正确性 #

拿你的矩阵( A = [[3, 2, 2], [2, 3, -2]] )来说，你可以简单验证一下：假设Numpy输出的( U_{np} )、( V_{np} )和PDF里的( U_{pdf} = -U_{np} )、( V_{pdf} = -V_{np} )，分别代入分解式计算( U\Sigma V^T )，结果都会和原矩阵( A )完全一致，这就说明两个解都是正确的。

内容的提问来源于stack exchange，提问作者giorgi nguyen