numpy.linalg.inv不能用于奇异矩阵，因其数学上无逆（行列式为0），会抛出LinAlgError；近似奇异矩阵（条件数>1e15）亦导致数值失真。
为什么 numpy.linalg.inv 不能直接用于奇异矩阵
因为矩阵不可逆时，numpy.linalg.inv 会抛出 LinAlgError: Singular matrix。这不是 bug，而是数学限制——行列式为 0 的矩阵没有严格意义上的逆矩阵。实际中遇到的“近似奇异”（如条件数 > 1e15）也容易导致结果数值失真，比如解 np.linalg.solve(A, b) 出现巨大误差或符号翻转。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
np.linalg.cond(A)检查条件数，> 1e12 就该警惕 - 避免对
A.T @ A这类显式构造的 Gram 矩阵直接求逆（易放大误差），改用np.linalg.lstsq或scipy.linalg.solve_triangular - 若必须用逆，优先用
np.linalg.pinv(A)（Moore–Penrose 伪逆），它对奇异/欠定/超定系统都稳定
用 np.linalg.solve 替代 inv + dot 更快更准
很多人写 np.linalg.inv(A) @ b 解 Ax = b，但这是低效且危险的做法：既多算了一次逆（O(n³)），又引入额外舍入误差。NumPy 内部对 solve 做了专门优化，底层调用 LAPACK 的 dgesv，直接分解+回代。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 永远优先写
x = np.linalg.solve(A, b)，而不是x = np.linalg.inv(A) @ b -
A必须是方阵、非奇异；b可以是 1D 向量或 2D 列向量，solve自动广播 - 如果
A是对称正定，用np.linalg.cholesky+solve分两步，速度提升约 2×
当矩阵不是方阵时，该用 np.linalg.lstsq 还是 np.linalg.pinv
非方阵没有传统逆，但常需最小二乘解：min ||Ax - b||²。两者都能算，但行为不同：lstsq 默认返回最小范数解（对欠定系统），并附带残差、秩、奇异值信息；pinv 总是返回 Moore–Penrose 解，但不反馈数值稳定性线索。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 调试阶段用
np.linalg.lstsq(A, b, rcond=None)，检查返回的rank和s（奇异值数组），判断是否病态 - 生产代码中若已知
A秩满且稳定，可用np.linalg.pinv(A) @ b，但务必设rcond（如rcond=1e-10）来截断小奇异值 - 不要对
A手动拼接单位阵再调用inv——那是教科书陷阱，数值上极不稳定
在 PyTorch/TensorFlow 中复用 NumPy 的逆逻辑要注意什么
PyTorch 的 torch.inverse 和 TensorFlow 的 tf.linalg.inv 行为与 NumPy 高度一致，但关键差异在于设备和梯度：NumPy 运算不支持 GPU 和自动微分，而深度学习框架中的逆操作默认可导（除非显式 .detach()）。这意味着在训练循环里误用 np.linalg.inv 会导致梯度断裂。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 模型前向中一律用框架原生函数：
torch.inverse(A)或tf.linalg.inv(A)，别混用 NumPy - 预处理阶段（如数据归一化矩阵计算）可用 NumPy，但结果要转成对应框架张量：
torch.tensor(np.linalg.inv(A), dtype=torch.float32) - 注意 PyTorch 的
inverse对 batch 维度不友好（需循环或改用torch.linalg.inv，v1.9+）
数值稳定性永远比代码行数重要。哪怕只多写一行 np.linalg.cond(A)，也可能帮你避开凌晨三点的 NaN 调试。
