这篇博客总结一下C/C++中的矩阵运算库。
Eigen是使用C++封装好的的一个矩阵运算库,可以很方便地实现各类矩阵运算,而且不用安装,只需要简单配置即可。
sudo apt-get install libeigen3-dev
Eigen只包含头文件,因此它不需要实现编译(只需要使用#include),指定好Eigen的头文件路径,编译项目即可。
Eigen头文件的默认安装位置是:“/usr/include/eigen3”.
下载地址:http://eigen.tuxfamily.org/index.php?title=Main_Page#Download
下载文件解压后,文件目录如下:
只需要将eigen-3.4.0的路径加入到头文件查找路径。
使用时包含头文件即可,比如 #include
本博客在Windows下使用DevC++和Clion两款C/C++来测试一下。
为了应对不同的需求,Eigen库被分为多个功能模块,每个模块都有自己相对应的头文件,以供调用。 其中,Dense模块整合了绝大部分的模块,而Eigen模块更是整合了所有模块(也就是整个Eigen库)。
添加头文件路径
测试代码
#include
#include
using namespace std;
using namespace Eigen;
int main()
{
Matrix2d a;
a << 1, 2,
3, 4;
MatrixXd b(2, 2);
b << 2, 3,
1, 4;
cout << "a + b =\n" << a + b << endl;
cout << "a - b =\n" << a - b << endl;
cout << "Doing a += b;" << endl;
a += b;
cout << "Now a =\n" << a << endl;
cout << "a^T= " << a.transpose() << endl;
cout << "a*b= " << a*b << endl;
Vector3d v(1, 2, 3);
Vector3d w(1, 0, 0);
cout << "-v + w - v =\n" << -v + w - v << endl;
cout << v << endl;
cout << v.transpose() << endl;
system("pause");
}
运行结果如下
clion中添加头文件可以在CMakeLists.txt中添加,也可以在项目目录中添加。
include_directories("/path/to/headers") #换成头文件所在目录
这里我们使用第一种方法,更改之后,CMakeLists.txt文件内容如下:
cmake_minimum_required(VERSION 3.19)
project(untitled1)
set(CMAKE_CXX_STANDARD 14)
include_directories("D:\\eigen-3.4.0")
add_executable(untitled1 main.cpp)
测试代码依旧是上面的代码
#include
#include
using namespace std;
using namespace Eigen;
int main()
{
Matrix2d a;
a << 1, 2,
3, 4;
MatrixXd b(2, 2);
b << 2, 3,
1, 4;
cout << "a + b =\n" << a + b << endl;
cout << "a - b =\n" << a - b << endl;
cout << "Doing a += b;" << endl;
a += b;
cout << "Now a =\n" << a << endl;
cout << "a^T= " << a.transpose() << endl;
cout << "a*b= " << a*b << endl;
Vector3d v(1, 2, 3);
Vector3d w(1, 0, 0);
cout << "-v + w - v =\n" << -v + w - v << endl;
cout << v << endl;
cout << v.transpose() << endl;
system("pause");
}
运行结果如下
本博客只是对矩阵运算库的简介、汇总、环境配置,因此不会讲太详细的使用。主要是本人太菜了,讲不来。不过为了内容的完整型,我会给几个好的比较完整的eigen学习教程。
Armadillo是一个开源高性能C++线性代数库,提供了和Matlab中常用命令接近的函数接口,可以方便地将Matlab/Octave开发的算法移植到C++中。特别地,我们可以先在Matlab环境中编程进行算法原型验证,待算法充分验证通过之后再利用Armadillo移植到C++中编译为独立的可执行程序。虽然Matlab也支持利用mcc直接将m文件编译生成动态链接库文件或者可执行程序,但是这些代码的运行需要Matlab运行环境(MCR)的支持;而通过Armadillo进行移植则可以完全脱离Matlab环境。
执行命令:
sudo apt-get install libopenblas-dev
sudo apt-get install liblapack-dev
sudo apt-get install libarpack2-dev
sudo apt-get install libsuperlu-dev
下载Armadillo包,链接:https://sourceforge.net/projects/arma/files/armadillo-9.600.6.tar.xz/download
在Armadillo的安装目录打开终端执行:
cmake .
make
因为Armadillo需要C++11的支持,而DEVC++好久没更新编译器了,支持不好,因此我们换用visual studio2019来测试。
下载Armadillo包,链接:https://sourceforge.net/projects/arma/files/armadillo-9.600.6.tar.xz/download
下载解压后需要配置头文件和库文件的路径。
可以参考这篇文章:基于vs2017的armadillo配置教程(超详细!)
测试代码如下:
#include
#include
using namespace arma;
int main()
{
//生成一个随机矩阵A,大小为5x5,矩阵每个元素的范围为:(0,10)
mat A = randu<mat>(5, 5) * 10;
A.print("原矩阵A = \n");
}
看了下,好像中文没啥好的教程,不如直接看帮助手册。
Boost在C++中地位非常高,被称为C++的准标准库,其中的ublas模块包含矩阵类,用法如下:
#include
#include
#include
namespace ublas = boost::numeric::ublas;
int main()
{
ublas::matrix<double> A(3, 3);
for (unsigned i = 0; i < A.size1(); ++i)
for (unsigned j = 0; j < A.size2(); ++j)
A(i, j) = 3*i + j;
std::cout << A << std::endl;
return 0;
}
关于boost的配置问题,可以参考博客boost库在visual studio、DevC++和vscode上的环境配置
其实C++矩阵运算库已经很好用了,但是可能在某些场景下,因为项目历史或者编译器的原因,我们必须要使用C语言来实现矩阵运算。
好像几乎没有特别知名C语言矩阵运算库,因此在此总结各位网友写的C语言矩阵运算库。
地址:如何用纯c语言优雅地实现一个矩阵运算库
这个详细讲解了怎么自己实现一个矩阵运算库,想学习写一个自己的C语言矩阵运算库可以参考一下。
地址:我的C语言矩阵库
github地址:https://github.com/colourfate/math_matrix
地址:C语言矩阵实现库运算, 简单的数组直接运算两种方式
地址:基于C语言的矩阵运算库
地址:超好用的纯C语言矩阵运算库
github地址:https://github.com/fellylanma/easyMatrix
地址:C语言矩阵运算库(Light Matrix)
github地址:https://github.com/zjc666/LightMatrix
github地址:https://github.com/kimwolf-fs/c_data_structure/tree/master/matrix
地址:异想家纯C语言矩阵运算库
github地址:https://github.com/Amoiensis/Matrix_hub
这个库是我同学写的,帮他传播一下!!!
地址:C++矩阵库
github地址:https://github.com/TING2938/Analysis
在条件允许的情况下,可以优先使用eigen矩阵运算库。
如果条件不允许或者希望自己能用一个更加小巧顺手的矩阵运算库,那可以参考上面,自己实现一个。