我不太明白为什么numpy.linalg.solve（）给出了更精确的答案，而numpy.linalg.inv（）给出了（我相信是）估计值
作为一个具体的例子，我正在求解方程C^{-1}*d，其中C表示矩阵，d表示向量数组。为了便于讨论，C的尺寸是形状（10001000），d是形状（11000）
numpy.linalg.solve（A，b）为x解方程A*x=b，即x=A^{-1}*b。因此，我可以通过
(一)
inverse=numpy.linalg.inv（C）
结果=逆*d
或(2)
numpy.linalg.solve（C，d）
方法（2）给出了更精确的结果。为什么会这样
到底发生了什么事情使得一个比另一个“工作得更好”
np.linalg.solve（A，b）不计算A的逆。相反，它调用一个gesvLAPACK例程，该例程首先使用LU分解分解A，然后使用向前和向后替换求解x（参见此处）
np.linalg.inv使用相同的方法通过求解A-1中的A-1-1=I来计算A的逆，其中I是恒等式*。分解步骤与上面的步骤完全相同，但是对于A-1（一个n×n矩阵）要比x（一个n-长向量）需要更多的浮点运算。此外，如果您随后希望通过标识A-1·b=x获得x，则额外的矩阵乘法将产生更多的浮点运算，从而降低性能并产生更多的数值错误
无需计算A-1的中间步骤-直接获得x更快更准确
*inv的相关源位在这里。不幸的是，理解起来有点棘手，因为它是模板化的C。需要注意的重要一点是，一个单位矩阵正在作为参数B传递给LAPACK解算器