#979 Add pca lowrank

def get_floating_dtype(A):
+    """Return the floating point dtype of tensor A.
+
+    Integer types map to float32.
+    """
+    dtype = A.dtype
+    if dtype in (float16, float32, float64):
+        return dtype
+    return float32

第一个判断可以不用判断是不是float32。

添加的svd_lowrank、get_approximate_basis、pca_lowrank需要有测试样例和torch对比，只需要输入相同tensor就行，不需要在ci里load mnist数据集。

    for i,(x, y) in enumerate(data_train_loader):
+        x = torch.squeeze(x)
+
+        print(x.shape)
+        # pca
+        v3 = []
+        for i in range(len(x)):
+            v3.append(torch.pca_lowrank(x[i], q=3)[1].numpy())  # 3dim
+        v2 = []
+        for i in range(len(x)):
+            v2.append(torch.pca_lowrank(x[i], q=2)[1].numpy())  # 2dim
+        print(v2)
+
+        ## You can open these comments when running offline
+        # show(v2, y)
+        # show3d(v3, y)
+        break

这循环测试是否是必须的，应该只需要测一次就行，这个测试需要有和torch输出结果的对比。

    for i,(x, y) in enumerate(data_train_loader):
+        x = torch.squeeze(x)
+
+        print(x.shape)
+        # pca
+        v3 = []
+        for i in range(len(x)):
+            v3.append(torch.pca_lowrank(x[i], q=3)[1].numpy())  # 3dim
+        v2 = []
+        for i in range(len(x)):
+            v2.append(torch.pca_lowrank(x[i], q=2)[1].numpy())  # 2dim
+        print(v2)
+
+        ## You can open these comments when running offline
+        # show(v2, y)
+        # show3d(v3, y)
+        break

这循环测试是否是必须的，应该只需要测一次就行，这个测试需要有和torch输出结果的对比。

跑一次break，和torch对比只能做到整数对齐，散点图pca功能正确

def get_floating_dtype(A):
+    """Return the floating point dtype of tensor A.
+
+    Integer types map to float32.
+    """
+    dtype = A.dtype
+    if dtype in (float16, float32, float64):
+        return dtype
+    return float32

第一个判断可以不用判断是不是float32。

添加的svd_lowrank、get_approximate_basis、pca_lowrank需要有测试样例和torch对比，只需要输入相同tensor就行，不需要在ci里load mnist数据集。
float32可去掉不影响，pca_lowrank测试可以覆盖其他函数。load mnist为了画图验证功能