Cholesky分解前须验证矩阵正定性，因np.linalg.cholesky不检查而直接报错；推荐检验对称性与特征值，并修正微小负值；大规模矩阵需用scipy稀疏或原地分解；dtype选float32可提速降内存；解方程应链式调用scipy.linalg.solve_triangular。
Cholesky分解前必须确认矩阵正定性
NumPy的np.linalg.cholesky不检查输入是否正定，直接对非正定矩阵调用会抛出LinAlgError: Matrix is not positive definite。这不是bug，是设计使然——它假设你已确保前提成立。
实际中，浮点误差常让本该正定的协方差矩阵在数值上“差点意思”。推荐先做快速检验：
- 检查对称性：
np.allclose(A, A.T)（容忍浮点误差） - 检查特征值全为正：
np.all(np.linalg.eigvalsh(A) > 1e-10)（eigvalsh专用于实对称阵，比eigvals快且稳定） - 若发现微小负特征值（如-1e-15），可主动修正：
A = A + 1e-10 * np.eye(A.shape[0])
大规模矩阵下避免内存爆炸的两种策略
当矩阵尺寸超过几万×几万，np.linalg.cholesky会一次性分配L矩阵内存（约½n²个浮点数），极易OOM。此时不能只依赖单次调用。
可行路径有二：
立即学习“Python免费学习笔记（深入）”；
- 用
scipy.linalg.cholesky配合overwrite_a=True参数，允许原地分解（节省½内存），但要求输入数组是C连续且可写 - 对分块矩阵（如稀疏或结构化协方差），改用
scipy.sparse.linalg.splu或专门库（如cholmod绑定），np.linalg.cholesky本身不支持稀疏输入
注意：np.linalg.cholesky返回的是下三角矩阵L，满足A = LLᵀ；若需上三角，得手动转置，别误用np.linalg.cholesky(A.T)——那会失败，因A.T与A相同（对称阵）。
多线程加速无效，但dtype选择影响显著
np.linalg.cholesky底层调用LAPACK，其并行行为由OpenBLAS或Intel MKL运行时控制，**不是**通过Python多线程触发。你在代码里开4个线程调用4次cholesky，不会比串行快——反而因线程争抢BLAS资源更慢。
真正能提速的是数据类型：
- 双精度
float64是默认，但若原始数据本就是float32（如图像特征协方差），强制转float64徒增内存且无精度收益 - 用
A.astype(np.float32, copy=False)预处理，分解速度通常提升1.5–2倍，内存减半 - 但要注意：
float32下正定性检验阈值需放宽（如用1e-6代替1e-10）
分解后解线性方程组的正确链式调用
Cholesky常用于求解Ax=b。别写np.linalg.solve(A, b)——那是通用LU，浪费已知的正定结构。
应分两步利用L：
- 先解Ly = b（前向代入）：
y = scipy.linalg.solve_triangular(L, b, lower=True) - 再解Lᵀx = y（后向代入）：
x = scipy.linalg.solve_triangular(L.T, y, lower=False)
注意：np.linalg.solve_triangular不存在，必须用scipy.linalg；且lower=True对应L，lower=False对应L.T（不是L.T再设lower=True）。
如果只需求L用于后续多次乘法（如采样），记住L是下三角，用L @ x即可，无需补零或填充。
