线性代数c++模板库 eigen如何使用

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了线性代数c++模板库 eigen如何使用相关的知识,希望对你有一定的参考价值。

参考技术A http://blog.csdn.net/abcjennifer/article/details/7781936
正好刚在研究这个
多看看博客,仔细研究下本回答被提问者和网友采纳
参考技术B   使用方法:
  Eigen是可以用来进行线性代数、矩阵、向量操作等运算的C++库,它里面包含了很多算法。它的License是MPL2。它支持多平台。
  Eigen采用源码的方式提供给用户使用,在使用时只需要包含Eigen的头文件即可进行使用。之所以采用这种方式,是因为Eigen采用模板方式实现,由于模板函数不支持分离编译,所以只能提供源码而不是动态库的方式供用户使用。
  矩阵的定义:Eigen中关于矩阵类的模板函数中,共有六个模板参数,常用的只有前三个。其前三个参数分别表示矩阵元素的类型、行数和列数。
  矩阵定义时可以使用Dynamic来表示矩阵的行列数为未知。
  Eigen中无论是矩阵还是数组、向量,无论是静态矩阵还是动态矩阵都提供默认构造函数,也就是定义这些数据结构时都可以不用提供任何参数,其大小均由运行时来确定。矩阵的构造函数中只提供行列数、元素类型的构造参数,而不提供元素值的构造,对于比较小的、固定长度的向量提供初始化元素的定义。
  矩阵类型:Eigen中的矩阵类型一般都是用类似MatrixXXX来表示,可以根据该名字来判断其数据类型,比如”d”表示double类型,”f”表示float类型,”i”表示整数,”c”表示复数;Matrix2f,表示的是一个2*2维的,其每个元素都是float类型。
  数据存储:Matrix创建的矩阵默认是按列存储,Eigen在处理按列存储的矩阵时会更加高效。如果想修改可以在创建矩阵的时候加入参数,如:
  Matrix<int,3, 4, ColMajor> Acolmajor;
  Matrix<int,3, 4, RowMajor> Arowmajor;
  动态矩阵和静态矩阵:动态矩阵是指其大小在运行时确定,静态矩阵是指其大小在编译时确定。
  MatrixXd:表示任意大小的元素类型为double的矩阵变量,其大小只有在运行时被赋值之后才能知道。
  Matrix3d:表示元素类型为double大小为3*3的矩阵变量,其大小在编译时就知道。
  在Eigen中行优先的矩阵会在其名字中包含有row,否则就是列优先。
  Eigen中的向量只是一个特殊的矩阵,其维度为1而已。
  矩阵元素的访问:在矩阵的访问中,行索引总是作为第一个参数,Eigen中矩阵、数组、向量的下标都是从0开始。矩阵元素的访问可以通过”()”操作符完成。例如m(2, 3)既是获取矩阵m的第2行第3列元素。
  针对向量还提供”[]”操作符,注意矩阵则不可如此使用。
  设置矩阵的元素:在Eigen中重载了”<<”操作符,通过该操作符即可以一个一个元素的进行赋值,也可以一块一块的赋值。另外也可以使用下标进行赋值。
  重置矩阵大小:当前矩阵的行数、列数、大小可以通过rows()、cols()和size()来获取,对于动态矩阵可以通过resize()函数来动态修改矩阵的大小。注意:(1)、固定大小的矩阵是不能使用resize()来修改矩阵的大小;(2)、resize()函数会析构掉原来的数据,因此调用resize()函数之后将不能保证元素的值不改变;(3)、使用”=”操作符操作动态矩阵时,如果左右两边的矩阵大小不等,则左边的动态矩阵的大小会被修改为右边的大小。
  如何选择动态矩阵和静态矩阵:对于小矩阵(一般大小小于16)使用固定大小的静态矩阵,它可以带来比较高的效率;对于大矩阵(一般大小大于32)建议使用动态矩阵。注意:如果特别大的矩阵使用了固定大小的静态矩阵则可能会造成栈溢出的问题。
  矩阵和向量的算术运算:在Eigen中算术运算重载了C++的+、-、*
  (1)、矩阵的运算:提供+、-、一元操作符”-”、+=、-=;二元操作符+/-,表示两矩阵相加(矩阵中对应元素相加/减,返回一个临时矩阵);一元操作符-表示对矩阵取负(矩阵中对应元素取负,返回一个临时矩阵);组合操作法+=或者-=表示(对应每个元素都做相应操作);矩阵还提供与标量(单一数字)的乘除操作,表示每个元素都与该标量进行乘除操作;
  (2)、求矩阵的转置、共轭矩阵、伴随矩阵:可以通过成员函数transpose()、conjugate()、adjoint()来完成。注意:这些函数返回操作后的结果,而不会对原矩阵的元素进行直接操作,如果要让原矩阵进行转换,则需要使用响应的InPlace函数,如transpoceInPlace()等;
  (3)、矩阵相乘、矩阵向量相乘:使用操作符*,共有*和*=两种操作符;
  (4)、矩阵的块操作:有两种使用方法:
  matrix.block(i,j, p, q) : 表示返回从矩阵(i, j)开始,每行取p个元素,每列取q个元素所组成的临时新矩阵对象,原矩阵的元素不变;
  matrix.block<p,q>(i, j) :<p, q>可理解为一个p行q列的子矩阵,该定义表示从原矩阵中第(i, j)开始,获取一个p行q列的子矩阵,返回该子矩阵组成的临时矩阵对象,原矩阵的元素不变;
  (5)、向量的块操作:
  获取向量的前n个元素:vector.head(n);
  获取向量尾部的n个元素:vector.tail(n);
  获取从向量的第i个元素开始的n个元素:vector.segment(i,n);
  Map类:在已经存在的矩阵或向量中,不必拷贝对象,而是直接在该对象的内存上进行运算操作。

如何使用带有 eigen 数学库的 gdb 进行调试

【中文标题】如何使用带有 eigen 数学库的 gdb 进行调试【英文标题】:How to debug with gdb with eigen math library 【发布时间】:2014-11-28 01:00:44 【问题描述】:

我将 code::blocks (CB) 或 Visual Studio (VS) 用于带有 eigen 库的 C++ 程序。但是,在调试时,我看不到数组、矩阵等的内容。我查看了以下帖子:

Using GDB with Eigen C++ library

我不是 C++ 专家,但我知道我需要一种叫做打印机的东西。

https://android.googlesource.com/platform/external/eigen/+/b015e75e8c7ba1ab4ddb91e9372a57e76f3fd159/debug/gdb/printers.py 有源代码。但是我不知道如何使用这个源代码在 CB 或 VS 中使用带有 eigen 库的 gdb 进行调试。任何想法如何做到这一点?

更新: vsoftco 提到了一个网页 https://android.googlesource.com/platform/external/eigen/+/b015e75e8c7ba1ab4ddb91e9372a57e76f3fd159/debug,它有用于 CB 和 VS 的 gdb 的 python 打印机。如果有人知道如何使用它们来查看特征库数组的内容,请发表评论。

【问题讨论】:

您是否已验证您正在使用调试信息构建 Eigen?对于 g++,这意味着添加标志 -g -ggdb。 VS 见***.com/a/4662345/2197564 【参考方案1】:

Eigen::Matrix 类不是聚合类,因此您不能仅使用调试器查看其内容。但是,您应该能够使用调试器介入,并且可以使用cout 或其他方法来显示内容。

你提到的链接是gdb的python插件,允许gdb打印Eigen类型的内容。但是当你使用 VS(它有它的内部调试器并且不使用gdb)时,它没有理由在你的情况下工作。

您可以尝试切换到 MinGW 和 g++/gdb,或者可以查看此链接 How can I use GDB from inside Visual Studio C++ (Express) to debug my GCC Makefile projects? 以获取有关在 VS 下安装 gdb 的一些建议。

PS:看来VS的解决方案也有,

https://android.googlesource.com/platform/external/eigen/+/b015e75e8c7ba1ab4ddb91e9372a57e76f3fd159/debug

【讨论】:

如果我将 GNU gccCode::Blockseigen 一起使用,如何调试以查看数组的内容? @c202933 您还需要使用gdb 作为调试器,并将该python 补丁应用到gdb。如何做后者我真的不知道,但应该在你链接的那个页面上解释。但是checkout同一个页面,好像还有VS的补丁,android.googlesource.com/platform/external/eigen/+/…【参考方案2】:

gdb 的 python 打印机对我有用。请注意,printers.py 脚本是用 Python 2.7 编写的,而您的 gdb 可能正在运行 python 3.5 或更高版本...使用 2to3 转换器或简单地将其复制到名为 printers3.py 的新文件中:

# -*- coding: utf-8 -*-
# This file is part of Eigen, a lightweight C++ template library
# for linear algebra.
#
# Copyright (C) 2009 Benjamin Schindler <bschindler@inf.ethz.ch>
#
# This Source Code Form is subject to the terms of the Mozilla Public
# License, v. 2.0. If a copy of the MPL was not distributed with this
# file, You can obtain one at http://mozilla.org/MPL/2.0/.
# Pretty printers for Eigen::Matrix
# This is still pretty basic as the python extension to gdb is still pretty basic. 
# It cannot handle complex eigen types and it doesn't support any of the other eigen types
# Such as quaternion or some other type. 
# This code supports fixed size as well as dynamic size matrices
# To use it:
#
# * Create a directory and put the file as well as an empty __init__.py in 
#   that directory.
# * Create a ~/.gdbinit file, that contains the following:
#      python
#      import sys
#      sys.path.insert(0, '/path/to/eigen/printer/directory')
#      from printers3 import register_eigen_printers
#      register_eigen_printers (None)
#      end
import gdb
import re
import itertools

class EigenMatrixPrinter:
    "Print Eigen Matrix or Array of some kind"
    def __init__(self, variety, val):
        "Extract all the necessary information"

        # Save the variety (presumably "Matrix" or "Array") for later usage
        self.variety = variety

        # The gdb extension does not support value template arguments - need to extract them by hand
        type = val.type
        if type.code == gdb.TYPE_CODE_REF:
            type = type.target()
        self.type = type.unqualified().strip_typedefs()
        tag = self.type.tag
        regex = re.compile('\<.*\>')
        m = regex.findall(tag)[0][1:-1]
        template_params = m.split(',')
        template_params = [x.replace(" ", "") for x in template_params]

        if template_params[1] == '-0x00000000000000001' or template_params[1] == '-0x000000001' or template_params[1] == '-1':
            self.rows = val['m_storage']['m_rows']
        else:
            self.rows = int(template_params[1])

        if template_params[2] == '-0x00000000000000001' or template_params[2] == '-0x000000001' or template_params[2] == '-1':
            self.cols = val['m_storage']['m_cols']
        else:
            self.cols = int(template_params[2])

        self.options = 0 # default value
        if len(template_params) > 3:
            self.options = template_params[3];

        self.rowMajor = (int(self.options) & 0x1)

        self.innerType = self.type.template_argument(0)

        self.val = val

        # Fixed size matrices have a struct as their storage, so we need to walk through this
        self.data = self.val['m_storage']['m_data']
        if self.data.type.code == gdb.TYPE_CODE_STRUCT:
            self.data = self.data['array']
            self.data = self.data.cast(self.innerType.pointer())

    class _iterator:
        def __init__ (self, rows, cols, dataPtr, rowMajor):
            self.rows = rows
            self.cols = cols
            self.dataPtr = dataPtr
            self.currentRow = 0
            self.currentCol = 0
            self.rowMajor = rowMajor

        def __iter__ (self):
            return self

        def __next__(self):

            row = self.currentRow
            col = self.currentCol
            if self.rowMajor == 0:
                if self.currentCol >= self.cols:
                    raise StopIteration

                self.currentRow = self.currentRow + 1
                if self.currentRow >= self.rows:
                    self.currentRow = 0
                    self.currentCol = self.currentCol + 1
            else:
                if self.currentRow >= self.rows:
                    raise StopIteration

                self.currentCol = self.currentCol + 1
                if self.currentCol >= self.cols:
                    self.currentCol = 0
                    self.currentRow = self.currentRow + 1


            item = self.dataPtr.dereference()
            self.dataPtr = self.dataPtr + 1
            if (self.cols == 1): #if it's a column vector
                return ('[%d]' % (row,), item)
            elif (self.rows == 1): #if it's a row vector
                return ('[%d]' % (col,), item)
            return ('[%d,%d]' % (row, col), item)

    def children(self):

        return self._iterator(self.rows, self.cols, self.data, self.rowMajor)

    def to_string(self):
        return "Eigen::%s<%s,%d,%d,%s> (data ptr: %s)" % (self.variety, self.innerType, self.rows, self.cols, "RowMajor" if self.rowMajor else  "ColMajor", self.data)
class EigenQuaternionPrinter:
    "Print an Eigen Quaternion"

    def __init__(self, val):
        "Extract all the necessary information"
        # The gdb extension does not support value template arguments - need to extract them by hand
        type = val.type
        if type.code == gdb.TYPE_CODE_REF:
            type = type.target()
        self.type = type.unqualified().strip_typedefs()
        self.innerType = self.type.template_argument(0)
        self.val = val

        # Quaternions have a struct as their storage, so we need to walk through this
        self.data = self.val['m_coeffs']['m_storage']['m_data']['array']
        self.data = self.data.cast(self.innerType.pointer())

    class _iterator:
        def __init__ (self, dataPtr):
            self.dataPtr = dataPtr
            self.currentElement = 0
            self.elementNames = ['x', 'y', 'z', 'w']

        def __iter__ (self):
            return self

        def __next__(self):
            element = self.currentElement

            if self.currentElement >= 4: #there are 4 elements in a quanternion
                raise StopIteration

            self.currentElement = self.currentElement + 1

            item = self.dataPtr.dereference()
            self.dataPtr = self.dataPtr + 1
            return ('[%s]' % (self.elementNames[element],), item)

    def children(self):

        return self._iterator(self.data)

    def to_string(self):
        return "Eigen::Quaternion<%s> (data ptr: %s)" % (self.innerType, self.data)
def build_eigen_dictionary ():
    pretty_printers_dict[re.compile('^Eigen::Quaternion<.*>$')] = lambda val: EigenQuaternionPrinter(val)
    pretty_printers_dict[re.compile('^Eigen::Matrix<.*>$')] = lambda val: EigenMatrixPrinter("Matrix", val)
    pretty_printers_dict[re.compile('^Eigen::Array<.*>$')]  = lambda val: EigenMatrixPrinter("Array",  val)
def register_eigen_printers(obj):
    "Register eigen pretty-printers with objfile Obj"
    if obj == None:
        obj = gdb
    obj.pretty_printers.append(lookup_function)
def lookup_function(val):
    "Look-up and return a pretty-printer that can print va."

    type = val.type

    if type.code == gdb.TYPE_CODE_REF:
        type = type.target()

    type = type.unqualified().strip_typedefs()

    typename = type.tag
    if typename == None:
        return None

    for function in pretty_printers_dict:
        if function.search(typename):
            return pretty_printers_dict[function](val)

    return None
pretty_printers_dict = 
build_eigen_dictionary ()

【讨论】:

以上是关于线性代数c++模板库 eigen如何使用的主要内容,如果未能解决你的问题,请参考以下文章

eigen c++ 有neon优化吗

Eigen介绍及简单使用

c++ 线性代数入门库

Eigen学习

使用 Eigen 求解线性方程组

slam学习之Eigen库的简单总结