eigen與taucs求解稀疏矩陣哪個(gè)好？在了解了網(wǎng)格變形的論文之后，我開始嘗試實(shí)現(xiàn)它，并開始在網(wǎng)上搜索稀疏矩陣庫。一開始，我使用的矩陣庫是eigen，風(fēng)格類似MATLAB，但沒有實(shí)現(xiàn)稀疏矩陣運(yùn)算的功

eigen與taucs求解稀疏矩陣哪個(gè)好？

在了解了網(wǎng)格變形的論文之后，我開始嘗試實(shí)現(xiàn)它，并開始在網(wǎng)上搜索稀疏矩陣庫。

一開始，我使用的矩陣庫是eigen，風(fēng)格類似MATLAB，但沒有實(shí)現(xiàn)稀疏矩陣運(yùn)算的功能。雖然它保留了與其他幾個(gè)稀疏矩陣庫的接口，但我嘗試的umfpack和superlu都在if（！Lu）uua的。此步驟中的計(jì)算失敗。后來，我嘗試了taucs庫，但我也遇到了一個(gè)悲慘的問題。已成功編譯的庫可以在命令行上使用，但在VS2008中無法成功鏈接。幾天后，我終于決定封裝umfpack和eigen之間的接口。

求問C 的Eigen矩陣運(yùn)算庫有沒有提供兩個(gè)矩陣對(duì)應(yīng)元素相乘的方法？

我使用了兩個(gè)數(shù)學(xué)庫，Eigen和GLM。本征是一個(gè)線性代數(shù)運(yùn)算庫，使用非常方便。GLM這個(gè)庫一般應(yīng)用于計(jì)算機(jī)圖形學(xué)的相關(guān)編程，因?yàn)橛?jì)算機(jī)圖形學(xué)涉及到很多與線性代數(shù)相關(guān)的運(yùn)算，所以它一定能滿足您的要求。

此外，Eigen和GLM都是跨平臺(tái)的，可以使用windows和Linux。

至于Atlas和openblas，我還沒有使用它們，但是在Wikipedia中，Atlas肯定可以處理矩陣乘法，因?yàn)樗€可以執(zhí)行LU分解和Cholesky分解。

如果您想了解有關(guān)線性代數(shù)相關(guān)數(shù)學(xué)庫的更多信息，這里是Wikipedia中各種線性代數(shù)庫的摘要。

比較線性代數(shù)庫

如果沒有GPU：

如果CPU不緊，優(yōu)化要求不高，請(qǐng)使用OpenMP并行加速；如果您不想熟悉指令集并想使用它進(jìn)行更有效的優(yōu)化，請(qǐng)使用eigen或openblas。

如果有GPU：

如果只是卷積運(yùn)算，調(diào)用CUDNNAPI是最簡(jiǎn)單的；如果是學(xué)習(xí)目的，可以基于CUDA用Cu寫內(nèi)核函數(shù)；如果是產(chǎn)品使用，因?yàn)樗€涉及到其他運(yùn)算和向量、矩陣運(yùn)算，可以考慮tensorrt。