eigen 教程和指南

其他 2018-06-18 09:55:57 阅读次数: 2

转自：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html

https://blog.csdn.net/xuezhisdc/article/details/54619853

固定大小的矩阵和向量

/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

// import most common Eigen types
int main(int, char *[])
{
    Matrix3f m3; //3x3单精度矩阵
    m3 << 1, 2, 3, 4, 5, 6, 7, 8, 9;
    Matrix4f m4 = Matrix4f::Identity(); //4x4单位矩阵（单精度）
    Vector4i v4(1, 2, 3, 4); // 长度为4的整型向量

    // 输出结果
    std::cout << "m3\n" << m3 << "\nm4:\n"
        << m4 << "\nv4:\n" << v4 << std::endl;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • Matrix表示矩阵，Vector表示向量，数字表示维度，最后的f和i分别表示单精度和整型数据类型。
  • 固定大小表示编译时，行数和列数是固定的。这时，Eigen不会分配动态内存。这对于比较小的尺寸比较适合，比如16x16。

动态大小的矩阵和向量

/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    // 动态矩阵
    for (int size=1; size<=4; ++size)
    {
        MatrixXi m(size,size+1); // 一个整型的大小为 (size)x(size+1) 的矩阵
        for (int j=0; j<m.cols(); ++j) // 遍历列
            for (int i=0; i<m.rows(); ++i) // 遍历行
                m(i,j) = i+j*m.rows(); // 使用圆括号m(i,j)访问矩阵的元素
        std::cout << m << "\n\n"; //打印矩阵
    }

    // 动态向量
    VectorXf v(4); // 定义一个4维单精度向量
    // 使用圆括号()或方括号[]访问向量元素
    v[0] = 1; v[1] = 2; v(2) = 3; v(3) = 4;
    std::cout << "\nv:\n" << v << std::endl;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 小结：X表示动态大小。
  • #include <Eigen/Eigen>将包含所有的Eigen函数。#include <Eigen/Dense>包含所有普通矩阵函数，不包括稀疏矩阵函数。它们会增加编译时间。

矩阵和向量类型

  • Eigen中的所有密集矩阵和向量都是通过Matrix类来表示的。Matrix通过一系列的模板参数来生成具体的类别。
  • Matrix<Scalar, RowsAtCompileTime, ColsAtCompileTime>中，Scalar表示数据类型，RowsAtCompileTime和ColsAtCompileTime分别表示编译时的行数和列数。
  • Vector3d 定义为 Matrix<double, 3, 1>
  • 对于动态大小的类型，在编译时不指定行数和列数，使用Eigen::Dynamic。比如，VectorXd定义为Matrix<double, Dynamic, 1>。

访问元素

  • Eigen支持以下的读/写元素语法：
matrix(i,j);
vector(i)
vector[i]
vector.x() // first coefficient
vector.y() // second coefficient
vector.z() // third coefficient
vector.w() // fourth coefficient
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 矩阵只能通过圆括号()访问；
  • 向量可以通过圆括号()和方括号[]访问。
  • 上述的元素访问方法都通过断言检查范围，代价比较大。 
    • 通过定义EIGEN_NO_DEBUG 或 NDEBUG，取消断言。
    • 通过使用coeff()和coeffRef()，来取消检查。比如，MatrixBase::coeff(int,int) const, MatrixBase::coeffRef(int,int)等。

创建和初始化矩阵和向量

通过预定义矩阵初始化

创建固定大小的矩阵和向量
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    float value = 3.0;
    Matrix3f x; // 创建一个3x3的单精度矩阵
    x = Matrix3f::Zero(); //全零矩阵
    cout << x << endl << endl;
    x = Matrix3f::Ones(); //全一矩阵
    cout << x << endl << endl;
    x = Matrix3f::Constant(value); //全value矩阵
    cout << x << endl << endl;
    x = Matrix3f::Identity(); //单位矩阵
    cout << x << endl << endl;
    x = Matrix3f::Random(); // 随机矩阵
    cout << x << endl << endl;
    x.setZero();
    cout << x << endl << endl;
    x.setOnes();
    cout << x << endl << endl;
    x.setIdentity();
    cout << x << endl << endl;
    x.setConstant(value);
    cout << x << endl << endl;
    x.setRandom();
    cout << x << endl << endl;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
创建动态大小的矩阵
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    float value = 3.0f;
    int rows = 3;
    int cols = 4;
    MatrixXf x;
    x = MatrixXf::Zero(rows, cols);
    cout << x << endl << endl;
    x = MatrixXf::Ones(rows, cols);
    cout << x << endl << endl;
    x = MatrixXf::Constant(rows, cols, value);
    cout << x << endl << endl;
    x = MatrixXf::Identity(rows, cols);
    cout << x << endl << endl;
    x = MatrixXf::Random(rows, cols);
    cout << x << endl << endl;
    x.setZero(rows, cols);
    cout << x << endl << endl;
    x.setOnes(rows, cols);
    cout << x << endl << endl;
    x.setConstant(rows, cols, value);
    cout << x << endl << endl;
    x.setIdentity(rows, cols);
    cout << x << endl << endl;
    x.setRandom(rows, cols);
    cout << x << endl << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
创建动态大小的向量
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    int size = 3;
    float value = 3.0f;
    VectorXf x; // 定义动态向量
    x = VectorXf::Zero(size); //全0向量
    cout << x << endl << endl;
    x = VectorXf::Ones(size); //全1向量
    cout << x << endl << endl;
    x = VectorXf::Constant(size, value);//全value向量
    cout << x << endl << endl;
    //x = VectorXf::Identity(size);//报错
    x = VectorXf::Random(size);
    cout << x << endl << endl;
    x.setZero(size);
    cout << x << endl << endl;
    x.setOnes(size);
    cout << x << endl << endl;
    x.setConstant(size, value);
    cout << x << endl << endl;
    //x.setIdentity(size);
    x.setRandom(size);
    cout << x << endl << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
创建固定大小的基向量
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    Vector3f x;
    x = Vector3f::UnitX(); // 1 0 0
    cout << x << endl << endl;
    x = Vector3f::UnitY(); // 0 1 0
    cout << x << endl << endl;
    x = Vector3f::UnitZ(); // 0 0 1
    cout << x << endl << endl;

    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
创建动态大小的基向量
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    VectorXf x;
    x = VectorXf::Unit(4,1);
    cout << x << endl << endl;
    x = Vector4f(0,1,0,0);
    cout << x << endl << endl;
    x = Vector4f::UnitY();
    cout << x << endl << endl;

    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
例子
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{

    cout << MatrixXf::Constant(2, 3, sqrt(2)) << endl; // 2x3的单精度矩阵
    RowVector3i v; //3维行向量
    v.setConstant(6);
    cout << "v = " << v << endl;

    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

通过Cast的方式初始化

相同尺寸的矩阵兼容
  • 元素类型通过MatrixBase::cast()自动转换。
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>
#include <Eigen/Eigen>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    Vector3d md(1,2,3);
    Vector3f mf = md.cast<float>();
    cout << "md = " << md << endl;
    cout << "mf = " << mf << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
相同类型的矩阵兼容
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    MatrixXf res(10,10);
    Matrix3f a, b;
    a = Matrix3f::Identity();
    b = Matrix3f::Constant(3);
    res = a+b; // OK: res is resized to size 3x3

    cout << a << endl << endl;
    cout << b << endl << endl;
    cout << res << endl << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

通过Map方式初始化

/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    std::vector<float> stlarray(10);
    VectorXf::Map(&stlarray[0], stlarray.size()).squaredNorm();

    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 下面的代码没有完全调通
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    const int rows = 3;
    const int cols = 4;
    float array[rows*cols];
    Map<MatrixXf> m(array,rows,cols);
    Matrix3f othermatrix1 = Matrix3f::Identity();//单位矩阵
    MatrixXf othermatrix2(3,4);
    othermatrix2 = MatrixXf::Constant(3,4,5);//3x4的常量矩阵，值都为5
    m = othermatrix1 * othermatrix2;
    //m.eigenvalues();
    std::vector<float> stlarray(10);
    VectorXf::Map(&stlarray[0], stlarray.size()).squaredNorm();
    cout << m << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27

通过逗号初始化

/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    Matrix3f m;
    m << 1, 2, 3,
        4, 5, 6,
        7, 8, 9;
    cout << m << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 使用逗号和子矩阵，初始化矩阵。
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    int rows=5, cols=5;
    MatrixXf m(rows,cols);
    m << (Matrix3f() << 1, 2, 3, 4, 5, 6, 7, 8, 9).finished(),//左上角3x3
        MatrixXf::Zero(3,cols-3), //右上角3x2
        MatrixXf::Zero(rows-3,3), //左下角2x3
        MatrixXf::Identity(rows-3,cols-3); //右下角2x2

    cout << m << endl;
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • .finished()用于当临时矩阵初始化完成时，获取实际的矩阵对象。尽管看起来很复杂，但实际上编译时已经优化。

算术操作

传统的数学运算

  • 矩阵/向量乘法：
col2 = mat1 * col1; //矩阵x列向量
row2 = row1 * mat1;  // 行向量x矩阵
row1 *= mat1;
mat3 = mat1 * mat2; 
mat3 *= mat1;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 矩阵/向量加法/减法：
mat3 = mat1 + mat2; 
mat3 += mat1;
mat3 = mat1 - mat2; 
mat3 -= mat1;
  • 1
  • 2
  • 3
  • 4
  • 标量加法/减法：
mat3 = mat1 * s1; 
mat3 = s1 * mat1; 
mat3 *= s1;
mat3 = mat1 / s1; 
mat3 /= s1;
  • 1
  • 2
  • 3
  • 4
  • 5

逐元素的操作

  • 逐元素的操作，请查阅.cwise()。

  • 逐元素乘法

mat3 = mat1.cwise() * mat2;
  • 1
  • 加/减标量
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise() + scalar;
mat3.cwise() += scalar;
mat3.cwise() -= scalar;
  • 1
  • 2
  • 3
  • 4
  • 逐元素除法
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise() / mat2;
  • 1
  • 2
  • 逐元素取倒数
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise().inverse();
  • 1
  • 2
  • 逐元素比较运算
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise() < mat2;
mat3 = mat1.cwise() <= mat2;
mat3 = mat1.cwise() > mat2;
//等
  • 1
  • 2
  • 3
  • 4
  • 5
  • 三角余弦 
    • sin(), cos()等。
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise().sin();
// 等
  • 1
  • 2
  • 3
  • 指数 
    • pow(), square(), cube(), sqrt(), exp(), log()等。
//需要Array模块 #include <Eigen/Array>
mat3 = mat1.cwise().square();
mat3 = mat1.cwise().pow(5);
mat3 = mat1.cwise().log();
//等
  • 1
  • 2
  • 3
  • 4
  • 5
  • 最小值，最大值，绝对值
mat3 = mat1.cwise().min(mat2);
mat3 = mat1.cwise().max(mat2);
mat3 = mat1.cwise().abs();
mat3 = mat1.cwise().abs2();
  • 1
  • 2
  • 3
  • 4

  • 各种乘法运算

    • 矩阵乘法：m1*m2
    • 逐元素乘法：mat1.cwise()*mat2
    • 点积：scalar = vec1.dot(vec2);
    • 外积：mat = vec1 * vec2.transpose();
    • 交叉积：#include <Eigen/Geometry> vec3 = vec1.cross(vec2);

  • 逐元素操作示例：

/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Eigen>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    Matrix3f x, y;
    x << 5,3,1,2,-7,8,9,-4,6;
    y << 5,3,1,2,-7,8,9,4,7;
    cout << x << endl << endl;
    cout << x.cwiseAbs() << endl << endl;//绝对值
    cout << x.cwiseAbs2() << endl << endl; //平方
    cout << x.cwiseEqual(y) << endl << endl; //是否相等
    cout << x.cwiseMax(y) << endl << endl; //逐元素最大值
    cout << x.cwiseMin(y) << endl << endl;
    cout << x.cwiseInverse() << endl << endl; //倒数
    cout << x.cwiseNotEqual(y) << endl << endl; //不相等
    cout << x.cwiseProduct(y) << endl << endl; //逐元素乘法
    cout << x.cwiseQuotient(y) << endl << endl; //除法
    cout << x.cwiseSqrt() << endl << endl; //
    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

Reductions

  • Eigen提供了一些reduction方法： minCoeff() , maxCoeff() , sum() , trace() , norm() , squaredNorm() , all() , 和 any()。
  • 上述这些方法都可以逐列或逐行的执行。如下所示：
/*
 * 参考链接：http://eigen.tuxfamily.org/dox-2.0/TutorialCore.html#TutorialCoreGettingStarted
*/

#include <iostream>
#include <vector>
#include <Eigen/Core>

using namespace Eigen;  
using namespace std;  

int main(int, char *[])
{
    Matrix3f x;
    x << 5,3,1,2,7,8,9,4,6;
    cout << x.minCoeff() << endl;
    cout << x.colwise().minCoeff() << endl;
    cout << x.rowwise().minCoeff() << endl;

    return 0;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • maxCoeff()和minCoeff()函数可以通过设置可选参数，返回最大/小值的位置：maxCoeff(int* i, int* j) , minCoeff(int* i, int* j) 。
  • all() 和 any()在使用逐元素操作时，非常有用。

参考


猜你喜欢

转载自blog.csdn.net/haima1998/article/details/80550995
今日推荐
美国拟限制 AI 大模型出口中国和俄罗斯
苹果将与 OpenAI 达成协议，将 ChatGPT 应用于 iPhone
openKylin 社区生态委员会第六次会议圆满召开
阿里云正式发布通义千问 2.5
Python 3.13 发布首个 Beta：实验性自由线程模式和 JIT、改进交互式解释器
Stack Overflow 拿我的代码去训练 AI 大模型，还封了我的账号
Pop!_OS 的 COSMIC 桌面完成 App Store 上架工作
报告：Django 仍然是 74% 开发者的首选
《2024 年一季度互联网投融资运行情况》研究报告
15 年前上了“FFmpeg 耻辱柱”，今天他还得谢谢咱——腾讯QQPlayer一雪前耻？
TIOBE 5 月榜单：Fortran “复活”进入 Top 10
GCC 14.1 发布
周排行
curl的POST请求，封装方法
8.1.1. Integer Types
Java基础 Day05(个人复习整理)
Python - Django - 中间件 process_exception
小L的试卷
【Shell编程】 （函数）判断用户是否存在
python(css样式)
spring ant path 匹配原则 - 【笔记】
《JavaScript与JScript从入门到精通》(美)James.Jaworski.中译本.扫描版.pdf
Eclipse运行带参数的java程序
每日归档
更多
2024-05-12(0)
2024-05-11(38)
2024-05-10(38)
2024-05-09(35)
2024-05-08(42)
2024-05-07(14)
2024-05-06(40)
2024-05-05(0)
2024-05-04(7)
2024-05-03(19)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022