numpy.linalg.inv仅适用于满秩方阵，输入奇异矩阵会抛出LinAlgError；使用前应检查matrix_rank或cond，条件数>1e15时视为数值不可逆，且不适用于大规模矩阵。
用 numpy.linalg.inv 求方阵的逆，但必须确保矩阵可逆
只有满秩方阵才有严格意义上的逆矩阵。numpy.linalg.inv 会直接调用底层 LAPACK 的 dgetrf + dgetri，速度快，但一旦输入矩阵奇异（如行列式为 0 或接近 0），就会抛出 LinAlgError: Singular matrix。
实际使用前建议先检查条件数或秩：
import numpy as np A = np.array([[1, 2], [2, 4]]) # 显然秩为 1 print(np.linalg.matrix_rank(A)) # → 1 print(np.linalg.cond(A)) # → inf（或极大值）
若条件数 > 1e15，基本可认为数值上不可逆，应避免用 inv。
- 仅对小规模（
n ）、良态、明确已知满秩的方阵用 <code>inv - 不要对来自测量/拟合的数据矩阵直接调用
inv——它们常含噪声，导致病态 -
inv不做任何正则化，结果对微小扰动极度敏感
用 numpy.linalg.pinv 算伪逆，更鲁棒但稍慢
pinv 基于 SVD 分解，默认计算 Moore–Penrose 伪逆，能处理任意形状矩阵（包括长方、秩亏、含噪声数据），是实际项目中更安全的选择。
立即学习“Python免费学习笔记（深入）”；
关键参数是 rcond：它控制截断阈值，用于判定哪些奇异值视为 0。默认 rcond=1e-15 对双精度浮点数合理，但对带噪声的实测数据常需手动调大：
A_noisy = np.random.randn(100, 20) @ np.random.randn(20, 50) + 1e-2 * np.random.randn(100, 50) A_pinv = np.linalg.pinv(A_noisy, rcond=1e-3) # 避免放大噪声
-
rcond越大，截掉的奇异值越多，结果越平滑但偏差越大 - 对形状为
(m, n)的矩阵，pinv时间复杂度约O(min(m,n)² × max(m,n))，比inv高一个量级 - 若只需解线性系统
Ax = b，优先用np.linalg.lstsq，它内部自动选最优算法（QR 或 SVD），比先算pinv再乘更快更稳
别手写 @ np.linalg.inv(A.T @ A) @ A.T 算伪逆
这个公式只在 A 列满秩时等于左逆，且隐含计算 A.T @ A，会平方原始矩阵的条件数——原本 cond(A)=1e6，cond(A.T @ A)=1e12，数值误差爆炸。
哪怕你确认 A 是列满秩，也应直接用 pinv，它底层用 SVD，不构造 A.T @ A，稳定性高得多。
-
A.T @ A可能因浮点误差变成非对称，导致cholesky失败 - 该表达式无法处理行满秩情形（此时应右逆），而
pinv统一处理 - 显式构造中间矩阵还浪费内存，尤其当
A很大但稀疏时（注意：pinv不支持稀疏输入，需转稠密）
性能与精度取舍：什么时候真该用 inv？
唯一值得坚持用 inv 的场景是：你反复求同一个**小尺寸、硬件校准过、理论满秩**的变换矩阵的逆，比如图形学中的 4×4 齐次变换矩阵、卡尔曼滤波里的固定维度状态转移矩阵。
这时可预计算一次并复用，避免每次 pinv 的 SVD 开销。但务必加运行时校验：
def safe_inv(A):
try:
return np.linalg.inv(A)
except np.linalg.LinAlgError:
return np.linalg.pinv(A, rcond=1e-10)多数情况下，“快”不是目标，“结果不崩、不离谱”才是。伪逆的额外耗时，在现代 CPU 上对 n 几乎不可察；而一次 <code>inv 崩溃可能让整个 batch 训练中断。
真正容易被忽略的是：pinv 返回的矩阵类型始终是 float64（即使输入是 float32），必要时记得用 dtype 显式指定或转换。
