少帥的博客

Eigen 快速参考指南

最近更新：2024-03-17 | 字数总计：3.6k | 阅读估时：17分钟 | 阅读量：次

本文为 Eigen 官方文档 Quick reference guide 的搬运与简单翻译.

原文链接: https://eigen.tuxfamily.org/dox/group__QuickRefPage.html

模块与头文件

Eigen 库分为一个核心 (Core) 模块和几个附加模块. 每个模块都有一个相应的头文件, 必须包含头文件才能使用对应的模块. 提供 Dense 和 Eigen 头文件是为了方便地一次访问多个模块.

Module	Header file	Contents
Core	#include	Matrix and Array classes, basic linear algebra (including triangular and selfadjoint products), array manipulation
Geometry	#include	Transform, Translation, Scaling, Rotation2D and 3D rotations (Quaternion, AngleAxis)
LU	#include	Inverse, determinant, LU decompositions with solver (FullPivLU, PartialPivLU)
Cholesky	#include	LLT and LDLT Cholesky factorization with solver
Householder	#include	Householder transformations; this module is used by several linear algebra modules
SVD	#include	SVD decompositions with least-squares solver (JacobiSVD, BDCSVD)
QR	#include	QR decomposition with solver (HouseholderQR, ColPivHouseholderQR, FullPivHouseholderQR)
Eigenvalues	#include	Eigenvalue, eigenvector decompositions (EigenSolver, SelfAdjointEigenSolver, ComplexEigenSolver)
Sparse	#include	Sparse matrix storage and related basic linear algebra (SparseMatrix, SparseVector) (see Quick reference guide for sparse matrices for details on sparse modules)
	#include	Includes Core, Geometry, LU, Cholesky, SVD, QR, and Eigenvalues header files
	#include	Includes Dense and Sparse header files (the whole Eigen library)

数组, 矩阵和向量类型

Eigen 提供了两类 Dense 对象: 由模板类 Matrix 表示的数学矩阵和向量; 以及由模板类 Array 表示的一般一维和二维数组.

1 2	typedef Matrix<Scalar, RowsAtCompileTime, ColsAtCompileTime, Options> MyMatrixType; typedef Array<Scalar, RowsAtCompileTime, ColsAtCompileTime, Options> MyArrayType;

Scalar 为标量类型 (如 float, double, bool, int, 等).
RowsAtCompileTime 和 ColsAtCompileTime 为编译时确定的矩阵行数和列数, 或者为 Dynamic.
Options 可以是 ColMajor 或 RowMajor, 默认为 ColMajor. (更多选项参见类 Matrix)

所有的组合都是允许的: 你可以有一个固定行数和动态列数的矩阵, 等等. 以下内容均有效:

Matrix<double, 6, Dynamic>                  // 动态列数 (堆分配)
Matrix<double, Dynamic, 2>                  // 动态行数 (堆分配)
Matrix<double, Dynamic, Dynamic, RowMajor>  // 完全动态, 行优先 (堆分配)
Matrix<double, 13, 3>                       // 完全固定 (通常在栈上分配)

在大多数情况下, 你可以简单地对 matrices 和 arrays 使用一些方便的预定义类型. 例如:

Matrices

Matrix<float,Dynamic,Dynamic>   <=>   MatrixXf
Matrix<double,Dynamic,1>        <=>   VectorXd
Matrix<int,1,Dynamic>           <=>   RowVectorXi
Matrix<float,3,3>               <=>   Matrix3f
Matrix<float,4,1>               <=>   Vector4f

Arrays

Array<float,Dynamic,Dynamic>    <=>   ArrayXXf
Array<double,Dynamic,1>         <=>   ArrayXd
Array<int,1,Dynamic>            <=>   RowArrayXi
Array<float,3,3>                <=>   Array33f
Array<float,4,1>                <=>   Array4f

矩阵和数组之间的转换:

Array44f a1, a2;
Matrix4f m1, m2;
m1 = a1 * a2;                     // 元素乘积, 从数组到矩阵的隐式转换.
a1 = m1 * m2;                     // 矩阵乘积, 从矩阵到数组的隐式转换.
a2 = a1 + m1.array();             // 数组和矩阵的混合是被禁止的,
m2 = a1.matrix() + m1;            // 需要显式的转换.
ArrayWrapper<Matrix4f> m1a(m1);   // m1a 是 m1.array() 的一个别名, 它们共享相同的元素
MatrixWrapper<Array44f> a1m(a1);

在本文档的剩余部分, 我们将使用以下符号来强调特定于给定类型对象的特征:

* 仅适用与线性代数矩阵与向量
** 仅适用于数组对象

基本矩阵操作

构造

/* 一维对象 */
Vector4d  v4;
Vector2f  v1(x, y);
Array3i   v2(x, y, z);
Vector4d  v3(x, y, z, w);
VectorXf  v5; // 空对象
ArrayXf   v6(size);
/* 二维对象 */
Matrix4f  m1; 
MatrixXf  m5; // 空对象
MatrixXf  m6(nb_rows, nb_columns);
// 注: 默认情况下, 不初始化元素

逗号初始化

/* 一维对象 */
Vector3f  v1;     v1 << x, y, z;
ArrayXf   v2(4);  v2 << 1, 2, 3, 4;
/* 二维对象 */
Matrix3f  m1;   m1 << 1, 2, 3,
                      4, 5, 6,
                      7, 8, 9;

逗号初始化(bis)

int rows=5, cols=5;
MatrixXf m(rows,cols);
m << (Matrix3f() << 1, 2, 3, 4, 5, 6, 7, 8, 9).finished(),
     MatrixXf::Zero(3,cols-3),
     MatrixXf::Zero(rows-3,3),
     MatrixXf::Identity(rows-3,cols-3);
cout << m

输出:
1 2 3 0 0
4 5 6 0 0
7 8 9 0 0
0 0 0 1 0
0 0 0 0 1

运行时信息

/* 一维对象 */
vector.size();
vector.innerStride();
vector.data();
/* 二维对象 */
matrix.rows();          matrix.cols();
matrix.innerSize();     matrix.outerSize();
matrix.innerStride();   matrix.outerStride();
matrix.data();
// Inner/Outer* 依赖于存储顺序

编译时信息

1
2
3

ObjectType::Scalar              ObjectType::RowsAtCompileTime
ObjectType::RealScalar          ObjectType::ColsAtCompileTime
ObjectType::Index               ObjectType::SizeAtCompileTime

改变规格

/* 一维对象 */
vector.resize(size);
vector.resizeLike(other_vector);
vector.conservativeResize(size);
/* 二维对象 */
matrix.resize(nb_rows, nb_cols);
matrix.resize(Eigen::NoChange, nb_cols);
matrix.resize(nb_rows, Eigen::NoChange);
matrix.resizeLike(other_matrix);
matrix.conservativeResize(nb_rows, nb_cols);
// 如果新规格匹配, 则不执行操作, 否则数据将丢失
// 通过数据保存调整规格

带范围检查的元素访问

/* 一维对象 */
vector(i)     vector.x()
vector[i]     vector.y()
              vector.z()
              vector.w()
/* 二维对象 */
matrix(i,j)
// 通过定义 NDEBUG 或 EIGEN_NO_DEBUG, 禁用范围检查

没有范围检查的元素访问

/* 一维对象 */
vector.coeff(i)
vector.coeffRef(i)
/* 二维对象 */
matrix.coeff(i,j)
matrix.coeffRef(i,j)

赋值/拷贝

1
2
3

object = expression;
object_of_float = expression_of_double.cast<float>();
// 目标会自动调整规格(如果可能的话)

预定义矩阵

固定规格的矩阵或向量

typedef {Matrix3f|Array33f} FixedXD;
FixedXD x;
 
x = FixedXD::Zero();
x = FixedXD::Ones();
x = FixedXD::Constant(value);
x = FixedXD::Random();
x = FixedXD::LinSpaced(size, low, high);
 
x.setZero();
x.setOnes();
x.setConstant(value);
x.setRandom();
x.setLinSpaced(size, low, high);

单位和基向量 *

x = FixedXD::Identity();
x.setIdentity();
 
Vector3f::UnitX() // 1 0 0
Vector3f::UnitY() // 0 1 0
Vector3f::UnitZ() // 0 0 1
Vector4f::Unit(i)
x.setUnit(i);

动态规格的矩阵

typedef {MatrixXf|ArrayXXf} Dynamic2D;
Dynamic2D x;
 
x = Dynamic2D::Zero(rows, cols);
x = Dynamic2D::Ones(rows, cols);
x = Dynamic2D::Constant(rows, cols, value);
x = Dynamic2D::Random(rows, cols);
N/A
 
x.setZero(rows, cols);
x.setOnes(rows, cols);
x.setConstant(rows, cols, value);
x.setRandom(rows, cols);
N/A

单位和基向量 *

x = Dynamic2D::Identity(rows, cols);
x.setIdentity(rows, cols);

N/A

动态规格的向量

typedef {VectorXf|ArrayXf} Dynamic1D;
Dynamic1D x;
 
x = Dynamic1D::Zero(size);
x = Dynamic1D::Ones(size);
x = Dynamic1D::Constant(size, value);
x = Dynamic1D::Random(size);
x = Dynamic1D::LinSpaced(size, low, high);
 
x.setZero(size);
x.setOnes(size);
x.setConstant(size, value);
x.setRandom(size);
x.setLinSpaced(size, low, high);

单位和基向量 *

N/A

VectorXf::Unit(size,i)
x.setUnit(size,i);
VectorXf::Unit(4,1) == Vector4f(0,1,0,0)
                    == Vector4f::UnitY()

请注意, 允许对动态规格的向量或矩阵调用任意 set* 函数, 而无需传递新的规格. 例如:

1 2	MatrixXi M(3,3); M.setIdentity();

映射外部数组

连续内存

float data[] = {1,2,3,4};
Map<Vector3f> v1(data);       // uses v1 as a Vector3f object
Map<ArrayXf>  v2(data,3);     // uses v2 as a ArrayXf object
Map<Array22f> m1(data);       // uses m1 as a Array22f object
Map<MatrixXf> m2(data,2,2);   // uses m2 as a MatrixXf object

Strides 的典型用法

float data[] = {1,2,3,4,5,6,7,8,9};
Map<VectorXf,0,InnerStride<2> >  v1(data,3);                      // = [1,3,5]
Map<VectorXf,0,InnerStride<> >   v2(data,3,InnerStride<>(3));     // = [1,4,7]
Map<MatrixXf,0,OuterStride<3> >  m2(data,2,3);                    // both lines     |1,4,7|
Map<MatrixXf,0,OuterStride<> >   m1(data,2,3,OuterStride<>(3));   // are equal to:  |2,5,8|

算术运算

加减

1 2	mat3 = mat1 + mat2; mat3 += mat1; mat3 = mat1 - mat2; mat3 -= mat1;

数乘

1 2	mat3 = mat1 * s1; mat3 = s1; mat3 = s1 mat1; mat3 = mat1 / s1; mat3 /= s1;

矩阵/向量乘法*

1
2
3

col2 = mat1 * col1;
row2 = row1 * mat1;           row1 *= mat1;
mat3 = mat1 * mat2;           mat3 *= mat1;

转置伴随*

1 2	mat1 = mat2.transpose(); mat1.transposeInPlace(); mat1 = mat2.adjoint(); mat1.adjointInPlace();

点乘内积*

1
2
3

scalar = vec1.dot(vec2);
scalar = col1.adjoint() * col2;
scalar = (col1.adjoint() * col2).value();

外积*

1	mat = col1 * col2.transpose();

范数归一化*

1 2	scalar = vec1.norm(); scalar = vec1.squaredNorm() vec2 = vec1.normalized(); vec1.normalize(); // inplace

叉乘*

1 2	#include <Eigen/Geometry> vec3 = vec1.cross(vec2);

元素优先的数组运算

除了上述运算符外, Eigen 还支持许多元素运算符和函数. 它们中的大多数在数组世界**中毫无疑问是有意义的. 以下操作符可以用于数组, 也可以通过 .array() 用于向量和矩阵:

算术运算符

1 2	array1 * array2 array1 / array2 array1 *= array2 array1 /= array2 array1 + scalar array1 - scalar array1 += scalar array1 -= scalar

比较

array1 < array2     array1 > array2     array1 < scalar     array1 > scalar
array1 <= array2    array1 >= array2    array1 <= scalar    array1 >= scalar
array1 == array2    array1 != array2    array1 == scalar    array1 != scalar
array1.min(array2)  array1.max(array2)  array1.min(scalar)  array1.max(scalar)

三角函数, 幂函数和其它函数以及类 STL 的变体

array1.abs2()
array1.abs()                  abs(array1)
array1.sqrt()                 sqrt(array1)
array1.log()                  log(array1)
array1.log10()                log10(array1)
array1.exp()                  exp(array1)
array1.pow(array2)            pow(array1,array2)
array1.pow(scalar)            pow(array1,scalar)
                              pow(scalar,array2)
array1.square()
array1.cube()
array1.inverse()
 
array1.sin()                  sin(array1)
array1.cos()                  cos(array1)
array1.tan()                  tan(array1)
array1.asin()                 asin(array1)
array1.acos()                 acos(array1)
array1.atan()                 atan(array1)
array1.sinh()                 sinh(array1)
array1.cosh()                 cosh(array1)
array1.tanh()                 tanh(array1)
array1.arg()                  arg(array1)
 
array1.floor()                floor(array1)
array1.ceil()                 ceil(array1)
array1.round()                round(aray1)
 
array1.isFinite()             isfinite(array1)
array1.isInf()                isinf(array1)
array1.isNaN()                isnan(array1)

以下元素操作符可用于所有类型的表达式(矩阵, 向量和数组), 以及实数或复数标量类型:

Eigen API ------------------- 类STL API**

1
2
3

mat1.real()          real(array1)    // 读写, 对实表达式无操作
mat1.imag()          imag(array1)    // 对实表达式只读, 对复表达式读写
mat1.conjugate()     conj(array1)    // 对实表达式无操作

通过以下 cwise* 方法, 可以很容易地获得一些矩阵和向量的元素优先运算符:

Matrix API *

mat1.cwiseMin(mat2)         mat1.cwiseMin(scalar)
mat1.cwiseMax(mat2)         mat1.cwiseMax(scalar)
mat1.cwiseAbs2()
mat1.cwiseAbs()
mat1.cwiseSqrt()
mat1.cwiseInverse()
mat1.cwiseProduct(mat2)
mat1.cwiseQuotient(mat2)
mat1.cwiseEqual(mat2)       mat1.cwiseEqual(scalar)
mat1.cwiseNotEqual(mat2)

通过 Array 转换

mat1.array().min(mat2.array())    mat1.array().min(scalar)
mat1.array().max(mat2.array())    mat1.array().max(scalar)
mat1.array().abs2()
mat1.array().abs()
mat1.array().sqrt()
mat1.array().inverse()
mat1.array() * mat2.array()
mat1.array() / mat2.array()
mat1.array() == mat2.array()      mat1.array() == scalar
mat1.array() != mat2.array()

这两个 API 之间的主要区别在于, 基于 cwise* 方法的 API 返回矩阵世界中的表达式, 而第二个 API (基于.array()) 返回数组表达式. 回顾一下, .array() 没有成本, 它只改变可用的 API 和数据的解释.

使用 DenseBase::unaryExpr 和 std::ptr_fun (c++03, 在较新的c++版本中已弃用或删除), std::ref (c++11) 或 lambdas (c++11) 来应用任何用户定义的函数 foo 也非常简单:

1
2
3

mat1.unaryExpr(std::ptr_fun(foo));
mat1.unaryExpr(std::ref(foo));
mat1.unaryExpr([](double x) { return foo(x); });

请注意, 不可能将原始函数指针传递给 unaryExpr, 因此请像上面所示的那样进行转换.

简化

Eigen 提供了一些简化方法, 例如: minCoeff(), maxCoeff(), sum(), prod(), trace() , norm() , squaredNorm() *, all() , 和 any() . 所有的简化算符都可以按照矩阵优先, 列优先或行优先方式进行. 用法示例:

//       5 3 1
// mat = 2 7 8
//       9 4 6
mat.minCoeff();              // 1
mat.colwise().minCoeff();    // 2 3 1
mat.rowwise().minCoeff();    // [1 2 4]'

minCoeff 和 maxCoeff 的特殊版本:

1
2
3

int i, j;
s = vector.minCoeff(&i);        // s == vector[i]
s = matrix.maxCoeff(&i, &j);    // s == matrix(i,j)

all() 和 any() 的典型用例:

1 2	if((array1 > 0).all()) ... // 如果 array1 的所有参数都大于 0 ... if((array1 < array2).any()) ... // 如果存在一对 i,j 使得 array1(i,j) < array2(i,j) ...

子矩阵

Eigen 3.4 为子矩阵提供了一个改进的 API, 包括对数组的切片和索引:

对矩阵(或数组)的列或行进行读写访问:

1 2	mat1.row(i) = mat2.col(j); mat1.col(j1).swap(mat1.col(j2));

对子向量的读写访问:

默认版本 --------------------- 当规格在编译时已知的优化版本

1
2
3

vec1.head(n)         vec1.head<n>()        // 前 n 个元素
vec1.tail(n)         vec1.tail<n>()        // 后 n 个元素
vec1.segment(pos,n)  vec1.segment<n>(pos)  // 范围 [pos:pos+n-1] 的n个元素

对子矩阵的读写访问:

默认版本 --------------------- 当规格在编译时已知的优化版本

// 从位置 (i,j) 开始的 rows x cols 子矩阵
mat1.block(i,j,rows,cols)          mat1.block<rows,cols>(i,j)
// 四个角落之一的 rows x cols 子矩阵
mat1.topLeftCorner(rows,cols)      mat1.topLeftCorner<rows,cols>()
mat1.topRightCorner(rows,cols)     mat1.topRightCorner<rows,cols>()
mat1.bottomLeftCorner(rows,cols)   mat1.bottomLeftCorner<rows,cols>()
mat1.bottomRightCorner(rows,cols)  mat1.bottomRightCorner<rows,cols>()
// 当分块占据两个角落时的特殊版本 block()
mat1.topRows(rows)                 mat1.topRows<rows>()
mat1.bottomRows(rows)              mat1.bottomRows<rows>()
mat1.leftCols(cols)                mat1.leftCols<cols>()
mat1.rightCols(cols)               mat1.rightCols<cols>()

其它运算

Eigen 3.4 支持一个新的 Reshape API.

反转

向量, 矩阵的行与列都可以进行反转 (参见 DenseBase::reverse(), DenseBase::reverseInPlace(), VectorwiseOp::reverse()).

1 2	vec.reverse() mat.colwise().reverse() mat.rowwise().reverse() vec.reverseInPlace()

复制

向量, 矩阵的行与列可以在任何方向上进行复制 (参见 DenseBase::replicate(), VectorwiseOp::replicate()).

vec.replicate(times)                                          vec.replicate<Times>
mat.replicate(vertical_times, horizontal_times)               mat.replicate<VerticalTimes, HorizontalTimes>()
mat.colwise().replicate(vertical_times, horizontal_times)     mat.colwise().replicate<VerticalTimes, HorizontalTimes>()
mat.rowwise().replicate(vertical_times, horizontal_times)     mat.rowwise().replicate<VerticalTimes, HorizontalTimes>()

对角, 三角, 自伴矩阵

(矩阵世界*)

对角矩阵

通过向量构造对角矩阵

1	mat1 = vec1.asDiagonal();

声明一个对角矩阵

1 2	DiagonalMatrix<Scalar,SizeAtCompileTime> diag1(size); diag1.diagonal() = vector;

作为向量访问矩阵的对角线和上/下对角 (读/写)

vec1 = mat1.diagonal();        mat1.diagonal() = vec1;      // main diagonal
vec1 = mat1.diagonal(+n);      mat1.diagonal(+n) = vec1;    // n-th super diagonal
vec1 = mat1.diagonal(-n);      mat1.diagonal(-n) = vec1;    // n-th sub diagonal
vec1 = mat1.diagonal<1>();     mat1.diagonal<1>() = vec1;   // first super diagonal
vec1 = mat1.diagonal<-2>();    mat1.diagonal<-2>() = vec1;  // second sub diagonal

优化的乘积和求逆

mat3  = scalar * diag1 * mat1;
mat3 += scalar * mat1 * vec1.asDiagonal();
mat3 = vec1.asDiagonal().inverse() * mat1
mat3 = mat1 * diag1.inverse()

三角矩阵

TriangularView 给出了密集矩阵三角部分的方法, 并允许对其执行优化操作. 相对的三角部分永远不会被引用, 可以用来存储其他信息.

注意: 如果 .triangularView() 模板成员函数用于依赖模板参数的类型的对象, 则需要 template 关键字; 详细信息请参见C++中的模板和类型名关键字.

引用带有可选单位或空对角线的三角矩阵 (读/写):

1	m.triangularView<Xxx>()

Xxx = Upper, Lower, StrictlyUpper, StrictlyLower, UnitUpper, UnitLower.

写入一个特定的三角部分 (只计算参考的三角部分):

1	m1.triangularView<Eigen::Lower>() = m2 + m3

转换为一个稠密矩阵, 使对三角形部分为零:

1	m2 = m1.triangularView<Eigen::UnitUpper>()

乘积:

1 2	m3 += s1 * m1.adjoint().triangularView<Eigen::UnitUpper>() * m2 m3 -= s1 * m2.conjugate() * m1.adjoint().triangularView<Eigen::Lower>()

求解线性方程:

, ,

1
2
3

L1.triangularView<Eigen::UnitLower>().solveInPlace(M2)
L1.triangularView<Eigen::Lower>().adjoint().solveInPlace(M3)
U1.triangularView<Eigen::Upper>().solveInPlace<OnTheRight>(M4)

对称/自伴矩阵

就像三角矩阵一样, 你可以参考一个方阵的任何三角部分, 将其视为一个自伴矩阵, 并进行特殊的优化操作. 同样, 相对的三角部分永远不会被引用, 可以用来存储其他信息.

注意: 如果 .selfadjointView() 模板成员函数用于依赖模板参数的类型的对象, 则需要 template 关键字; 详细信息请参见C++中的模板和类型名关键字.

转换为密集矩阵:

1	m2 = m.selfadjointView<Eigen::Lower>();

与另一个一般矩阵或向量的乘积:

1 2	m3 = s1 * m1.conjugate().selfadjointView<Eigen::Upper>() * m3; m3 -= s1 * m3.adjoint() * m1.selfadjointView<Eigen::Lower>();

Rank 1 和 Rank K 更新:

1 2	M1.selfadjointView<Eigen::Upper>().rankUpdate(M2,s1); M1.selfadjointView<Eigen::Lower>().rankUpdate(M2.adjoint(),-1);

Rank 2 更新:

1	M.selfadjointView<Eigen::Upper>().rankUpdate(u,v,s);

求解线性方程:

// via a standard Cholesky factorization
m2 = m1.selfadjointView<Eigen::Upper>().llt().solve(m2);
// via a Cholesky factorization with pivoting
m2 = m1.selfadjointView<Eigen::Lower>().ldlt().solve(m2);

2023-05-01 该篇文章被少帥打上标签: Eigen 归为分类: 汉化