写在前面：我在学习Eigen库时，没找到好的中文文档，因此萌发了汉化Eigen官网文档的想法。其中一些翻译可能不是特别准确，欢迎批评指正。感兴趣的同学可以跳转到官网查看原文：Eigen: Dense matrix and array manipulation
Eigen库，是一个开源的C++模板库，专门用于线性代数计算。本文只讲运用，不讨论安装问题。如果还未安装Eigen，请先自行安装。共分为四大部分，这篇文章属于第一份部分，主要介绍：Eigen中常用的矩阵和数组操作。
第二部分：C++矩阵库：Eigen 3.4.90 中文使用文档（二）-CSDN博客
第三部分：C++矩阵库：Eigen 3.4.90 中文使用文档（三）-CSDN博客
第四部分：待续...
一、模版类：Matrix
1、Matrix 模板类的前三个模板参数
Matrix 类总共有六个模板参数，但我们只需先了解前三个参数，剩下的三个参数有默认值，可以暂时忽略。
Matrix<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>
- Scalar: 标量类型，即系数的类型。例如，如果你需要一个浮点数矩阵，可以选择
float类型。 -
RowsAtCompileTime 和 ColsAtCompileTime: 在编译时已知的矩阵行数和列数。
2、便捷类型定义
Eigen提供了许多便捷的类型定义来简化常用矩阵和向量的定义。例如 Matrix4f 表示 4x4 的浮点数矩阵，定义如下：
typedef Matrix<float, 4, 4> Matrix4f;
3、向量
在Eigen中，向量其实可以看做是具有一行或者一列的矩阵。其中列向量是最常见的。例如 Vector3f 其实是一个利用 typedef 定义的3维浮点数列向量，定义如下：
typedef Matrix<float, 3, 1> Vector3f;
Eigen也提供了行向量的便捷类型定义，其本质上也是一个矩阵。例如一个2维的整形行向量其实本质上也是一个矩阵。定义如下：
typedef Matrix<int, 1, 2> RowVector2i;
4、动态尺寸
Eigen不仅限于在编译时创建已知尺寸的矩阵和向量。模板参数 RowsAtCompileTime 和 ColsAtCompileTime 可以取特殊值 Dynamic，表示尺寸在运行时确定。例如，MatrixXd 表示动态尺寸的双精度矩阵，定义如下：
typedef Matrix<double, Dynamic, Dynamic> MatrixXd;
5、构造函数
默认构造函数不进行动态内存分配，也不初始化矩阵系数。例如：
Matrix3f a; // 一个 3x3 的未初始化浮点数矩阵
MatrixXf b; // 一个动态尺寸的未初始化浮点数矩阵，当前尺寸为 0x0
还可以使用带尺寸的构造函数来分配系数数组，但不初始化系数：
MatrixXf a(10, 15); // 一个 10x15 的未初始化浮点数矩阵
VectorXf b(30); // 一个尺寸为 30 的未初始化浮点数向量
可以使用初始化列表来初始化矩阵和向量的系数：
Vector2d a(5.0, 6.0); // 列向量
Vector3d b(5.0, 6.0, 7.0); // 列向量
MatrixXi m {
{1, 2},
{3, 4}
};
6、系数访问器
Eigen 提供了重载的括号操作符来访问和修改系数。对于矩阵，先行后列，如果你安装了Eigen你可以执行下面的代码。例如：
Eigen::MatrixXd m(2, 2);
m(0, 0) = 3;
m(1, 0) = 2.5;
m(0, 1) = -1;
m(1, 1) = m(1, 0) + m(0, 1);
std::cout << "Here is the matrix m:\n" << m << std::endl;
7、大小调整
可以使用 resize() 方法调整动态尺寸矩阵的大小。例如：
Eigen::MatrixXd m(2, 5);
m.resize(4, 3);
std::cout << "The matrix m is of size " << m.rows() << "x" << m.cols() << std::endl;
std::cout << "It has " << m.size() << " coefficients" << std::endl;
Eigen::VectorXd v(2);
v.resize(5);
std::cout << "The vector v is of size " << v.size() << std::endl;
但是对于固定大小的矩阵和向量，resize() 方法的操作是无效的。
Eigen::Matrix4d m;
m.resize(4, 4); // 无操作
std::cout << "The matrix m is of size " << m.rows() << "x" << m.cols() << std::endl;
8、固定尺寸与动态尺寸
对于使用固定尺寸还是动态尺寸，官方给的建议是：在尺寸非常小（如小于 16）且已知的情况下，使用固定尺寸有助于提高性能。对于较大的尺寸，或在编译时尺寸不确定的情况下，使用动态尺寸更为合适。例如：
Matrix4f mymatrix; // 固定尺寸矩阵
MatrixXf mymatrix(rows, columns); // 动态尺寸矩阵
9、可选模版参数
其实Matrix 类一共有六个模版参数，前三个参数是必选的，也是最常用，后面三个模版参数是可选的。Matrix 类的完整模板参数列表如下：
Matrix<typename Scalar,
int RowsAtCompileTime,
int ColsAtCompileTime,
int Options = 0,
int MaxRowsAtCompileTime = RowsAtCompileTime,
int MaxColsAtCompileTime = ColsAtCompileTime>
Options 是一个位字段，例如 RowMajor 表示行优先存储。默认情况下，矩阵采用列优先存储。例如，以下定义表示行优先的 3x3 矩阵：
Matrix<float, 3, 3, RowMajor>
MaxRowsAtCompileTime 和 MaxColsAtCompileTime 用于指定矩阵的最大尺寸，可以避免动态内存分配。例如：
Matrix<float, Dynamic, Dynamic, 0, 3, 4>
10、便捷类型定义
Eigen 定义了以下便捷类型：
MatrixNt表示Matrix<type, N, N>，例如MatrixXi表示Matrix<int, Dynamic, Dynamic>。VectorNt表示Matrix<type, N, 1>，例如Vector2f表示Matrix<float, 2, 1>。RowVectorNt表示Matrix<type, 1, N>，例如RowVector3d表示Matrix<double, 1, 3>。
这些类型定义使得使用 Eigen 更加方便和直观。
二、使用Eigen进行矩阵和向量运算
Eigen提供了一个全面的运算库，用于矩阵和向量的算术操作，使得矩阵和向量的操作和计算变得直观和简单。以下是基本操作的概述，包括加法、减法、标量乘法、转置、矩阵乘法和基本的归约操作。
1、加法和减法
矩阵和向量的加法与减法要求左右操作数具有相同的行数和列数，并且必须具有相同的标量类型，因为Eigen不会自动进行类型提升。可用的运算符包括：
- 二元运算符
+（如a + b） - 二元运算符
-（如a - b） - 一元运算符
-（如-a） - 复合运算符
+=（如a += b） - 复合运算符
-=（如a -= b）
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d a;
a << 1, 2,
3, 4;
Eigen::MatrixXd b(2, 2);
b << 2, 3,
1, 4;
std::cout << "a + b =\n" << a + b << std::endl;
std::cout << "a - b =\n" << a - b << std::endl;
std::cout << "执行 a += b;" << std::endl;
a += b;
std::cout << "现在 a =\n" << a << std::endl;
Eigen::Vector3d v(1, 2, 3);
Eigen::Vector3d w(1, 0, 0);
std::cout << "-v + w - v =\n" << -v + w - v << std::endl;
}
输出：
a + b =
3 5
4 8
a - b =
-1 -1
2 0
执行 a += b;
现在 a =
3 5
4 8
-v + w - v =
-1
-4
-6
2、标量乘法和除法
矩阵和向量的标量乘法和除法也非常简单。可用的运算符包括：
- 二元运算符
*（如matrix * scalar或scalar * matrix） - 二元运算符
/（如matrix / scalar） - 复合运算符
*=（如matrix *= scalar） - 复合运算符
/=（如matrix /= scalar）
示例：
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d a;
a << 1, 2,
3, 4;
Eigen::Vector3d v(1, 2, 3);
std::cout << "a * 2.5 =\n" << a * 2.5 << std::endl;
std::cout << "0.1 * v =\n" << 0.1 * v << std::endl;
std::cout << "执行 v *= 2;" << std::endl;
v *= 2;
std::cout << "现在 v =\n" << v << std::endl;
}
输出：
a * 2.5 =
2.5 5
7.5 10
0.1 * v =
0.1
0.2
0.3
执行 v *= 2;
现在 v =
2
4
6
3、转置和共轭
矩阵或向量的转置（a.transpose()）、共轭（a.conjugate()）和伴随矩阵（即共轭转置，a.adjoint()）通过成员函数分别获取。
示例：
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::MatrixXcf a = Eigen::MatrixXcf::Random(2, 2);
std::cout << "这是矩阵 a\n" << a << std::endl;
std::cout << "这是矩阵 a^T\n" << a.transpose() << std::endl;
std::cout << "这是 a 的共轭\n" << a.conjugate() << std::endl;
std::cout << "这是矩阵 a^*\n" << a.adjoint() << std::endl;
}
输出：
这是矩阵 a
(-0.211,0.68) (-0.605,0.823)
(0.597,0.566) (0.536,-0.33)
这是矩阵 a^T
(-0.211,0.68) (0.597,0.566)
(-0.605,0.823) (0.536,-0.33)
这是 a 的共轭
(-0.211,-0.68) (-0.605,-0.823)
(0.597,-0.566) (0.536,0.33)
这是矩阵 a^*
(-0.211,-0.68) (0.597,-0.566)
(-0.605,-0.823) (0.536,0.33)
对于实数矩阵，共轭操作是无效的，因此 adjoint() 等同于 transpose()。
需要注意的是，transpose() 和 adjoint() 返回一个代理对象而不进行实际转置。如果执行 a = a.transpose();Eigen会在转置操作完成之前开始写入 a，导致意外结果。解决方法是使用 transposeInPlace() 进行就地转置。
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::MatrixXf a(2, 3);
a << 1, 2, 3,
4, 5, 6;
std::cout << "这是初始矩阵 a:\n" << a << std::endl;
a.transposeInPlace();
std::cout << "转置后的矩阵 a:\n" << a << std::endl;
}
输出：
这是初始矩阵 a:
1 2 3
4 5 6
转置后的矩阵 a:
1 4
2 5
3 6
4、矩阵乘法和矩阵向量乘法
矩阵与矩阵的乘法、矩阵与向量的乘法通过运算符 * 实现。向量实际上是矩阵的一种特殊形式，因此矩阵向量乘法是矩阵乘法的一个特例。
示例：
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d mat;
mat << 1, 2,
3, 4;
Eigen::Vector2d u(-1, 1), v(2, 0);
std::cout << "这是 mat*mat:\n" << mat * mat << std::endl;
std::cout << "这是 mat*u:\n" << mat * u << std::endl;
std::cout << "这是 u^T*mat:\n" << u.transpose() * mat << std::endl;
std::cout << "这是 u^T*v:\n" << u.transpose() * v << std::endl;
std::cout << "这是 u*v^T:\n" << u * v.transpose() << std::endl;
std::cout << "让我们将 mat 自乘" << std::endl;
mat = mat * mat;
std::cout << "现在 mat 是:\n" << mat << std::endl;
}
输出：
这是 mat*mat:
7 10
15 22
这是 mat*u:
1
1
这是 u^T*mat:
2 2
这是 u^T*v:
-2
这是 u*v^T:
-2 0
2 0
让我们将 mat 自乘
现在 mat 是:
7 10
15 22
5、点积和叉积
对于点积和叉积，需要使用 dot() 和 cross() 方法。当然，点积也可以通过 u.adjoint() * v 得到。
示例：
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Vector3d v(1, 2, 3);
Eigen::Vector3d w(0, 1, 2);
std::cout << "点积: " << v.dot(w) << std::endl;
double dp = v.adjoint() * w; // 自动将内积转换为标量
std::cout << "通过矩阵乘积获得的点积: " << dp << std::endl;
std::cout << "叉积:\n" << v.cross(w) << std::endl;
}
输出：
点积: 8
通过矩阵乘积获得的点积: 8
叉积:
1
-2
1
注意，叉积仅适用于大小为3的向量。点积适用于任意大小的向量。对于复数，Eigen的点积在第一个变量上是共轭线性的，在第二个变量上是线性的。
6、基本算数归约操作
Eigen还提供了一些归约操作，将给定的矩阵或向量归约为单个值，如和（通过 sum() <
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
