Eigen库：数据定义及基础属性预备工作数据类型数据处理

119 阅读 0 评论 79 点赞

我是靠谱客的博主欢喜野狼，这篇文章主要介绍Eigen库：数据定义及基础属性预备工作数据类型数据处理，现在分享给大家，希望可以做个参考。

预备工作

1.环境

博主最近在整理知识点，发现之前整理的Eigen笔记有不少地方存在错误，现重新整理。

此次开发环境为Windows10+CLion，首先前往Eigen官网下载源文件：Eigen官网地址

在这里插入图片描述

此处安装3.2版本的Eigen。下载压缩包后解压至某一地方存放。使用Ubuntu进行开发时，可使用如下指令安装Eigen3：

复制代码

1
2
sudo apt-get install -y libeigen3-dev

安装的默认位置一般为：/usr/include/eigen3，可以使用如下指令查看库文件的具体安装位置。

复制代码

1
2
3
sudo update
locate eigen3

2.新建工程

打开Clion，新建工程study，在该工程下新建子目录include和src，并在src内新建源文件及CMakeLists.txt文件，整体结构如下：

在这里插入图片描述

3.CMakeLists.txt配置

根目录下的CMakeLists.txt填写内容如下：

复制代码

1
2
3
4
5
6
7
8
9
# Cmake最低版本
cmake_minimum_required(VERSION 3.20)
# 工程名
project(study)
# CPP标准设置
set(CMAKE_CXX_STANDARD 14)
# 源文件目录设置
add_subdirectory(src)

src内CMakeLists.txt文件填写如下：

复制代码

1
2
3
4
5
# include
include_directories(../include "F:\it\eigen")
# 生成文件
add_executable(start_eigen main.cpp)

将上述内容修改为你解压Eigen的地址即可。应注意，在Ubuntu中Eigen的地址一般如下：

复制代码

1
2
include_directories("/usr/include/eigen3")

4.引用头文件

打开main.cpp文件，输入如下内容：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
#include<iostream>
using namespace std;

// 导入Eigen库的核心和用于稠密矩阵运算的Dense
#include <Eigen/Core>
#include <Eigen/Dense>
using namespace Eigen;

int main(int argc, chr **argv){
    
    return 0;
}

此部分引用了Eigen库的核心Core和用于稠密矩阵线性计算的Dense。

数据类型

Eigen库中最基础的数据类型为矩阵（Matrix）和数组（Array），其类原型如下：

数据原型

矩阵类Matrix的原型如下：

复制代码

1
2
Matrix<typename _Scalar, int _Rows, int _Cols>;

_Scalar：元素的数据类型，如int、float、double
_Rows_：矩阵行数
_Cols：矩阵列数

例如，定义一个三行一列的Double类型矩阵：

复制代码

1
2
Matrix<double, 3, 1> matrix_a;

数组类Array的原型如下，其中参数类似矩阵类参数，不在赘述：

复制代码

1
2
Array<typename _Scalar, int _Rows, int _Cols>;

例如，定义一个三行一列的Double类型数组：

复制代码

1
2
Array<double, 3, 1> array_a;

快捷定义API

为进一步方便定义常用大小的数据，Eigen提供一些API。同时，在矩阵数据中提供了列向量（Vector）的快接定义。

在这里插入图片描述

例如定义一个 $3 \times 3$ 的Double类型矩阵，可直接使用API：

复制代码

1
2
Matrix3d matrix_b;

数组类数据同样可调用API定义：

在这里插入图片描述

应注意，数组类型不存在向量。故而APIArray2d定义的大小为 $2 \times 1$ ，而Array22d定义的大小才为 $2 \times 2$ 。

向量

在Eigen中提前定义了两类特殊的TypeDef，分别用于表示列向量（Vector）和行向量（RowVector）。

对于N行一列的矩阵数据，视其为列向量Vector：

在这里插入图片描述

例如，定义三维Double类型Vector

复制代码

1
2
Vector3d vector_a;

同样，对于一行N列的矩阵数据，视其为行向量RowVector：

在这里插入图片描述

向量本质上为特殊的矩阵数据，故而矩阵类Matrix的所有属性，向量都具备。

动态数据

对于尚未确定大小的数据，可以在该维度上填写-1表示维度未知：

复制代码

1
2
3
// 初始大小2×2的动态矩阵
Matrix<double, -1, -1> matrix(2,2);

同样，定义快捷API用于定义常用类型，在缺失的维度上用X缩写代替：

在这里插入图片描述

例如，定义一个三行未知列数的Double类矩阵：

复制代码

1
2
Matrix3Xd m;

数据处理

对于矩阵类Matrix数据和数组类Array数据，具有需要相同的API。若未特殊说明，则表明两类数据都具有此API可使用。

而对于向量类型数据，视其为矩阵数据一种特例，具有矩阵所有API。

数据初始化

定义数据类型及大小时，可对数据进行初始化：

复制代码

1
2
3
4
5
6
7
8
9
//  初始化为全零矩阵
Matrix3d m_zero = Matrix3d::Zero();
//  初始化为全一矩阵
Matrix3d m_one = Matrix3d::Ones();
//  初始化为单位矩阵
Matrix3d m_I = Matrix3d::Identity();
//  初始化为随机矩阵,-1~1
Matrix3d m_rand = Matrix3d::Random();

同样，对于数组数据，具有相同的API（除单位矩阵API）。

元素赋值与获取

对于数据中各个元素的赋值，可以采用逐一赋值的方式进行：

复制代码

1
2
3
4
5
6
7
//  初始化为全零矩阵
Matrix3d m_a = Matrix3d::Zero();
//  逐一输入矩阵数据
m_a << 1, 2, 3,
	   4, 5, 6,
	   7, 8, 9;

也可以采用索引方式获取元素，进行赋值：

复制代码

1
2
3
4
5
//  初始化为全零矩阵
Matrix3d m_a = Matrix3d::Zero();
//  修改（1，1）元素值为1
m_a(0,0)=1;

采用迭代方式，能够编译数据获取各个元素：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#include <iostream>
#include <Eigen/Core>
#include <Eigen/Dense>

using namespace std;
using namespace Eigen;

int main() {
    //  初始化为全零矩阵
    Matrix3d m_a = Matrix3d::Zero();
    //  修改（1，1）元素值为1
    m_a(0,0)=1;
    //  遍历数据进行修改
    for(int i=0; i<3; i++){
        for(int j=0; j<3; j++){
            m_a(i,j)=i-j;
        }
    }
    cout << m_a << endl;

    return 0;
}

输出结果如下：

复制代码

常用属性

数据大小

对于非动态大小的数据，可以获得其行数、列数、元素个数：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
int main() {
    Matrix3d m_a = Matrix3d::Identity();
    //  矩阵元素个数
    int s = m_a.size();
    //  矩阵行数
    int r = m_a.rows();
    //  矩阵列数
    int c = m_a.cols();
    
    cout << s << "  " << r << "  "<< c << endl;
    return 0;
}

输出如下：

复制代码

1
2
9  3  3

动态数据大小修改

对于动态数据，可使用resize()修改元素个数：

复制代码

1
2
3
4
5
// 定义一个初始大小为2*2的动态矩阵
MatrixXd matrix(2, 2);
// 修改其大小为3*3
matrix.resize(3, 3);

数据转换

矩阵与数组的转换

在Eigen中，用矩阵数据Matrix进行线性计算，用数组数据Array进行元素间操作。

若此时对声明为矩阵的数据想要使用数组的API，需要将其先转为数组：

复制代码

1
2
3
4
5
// 定义矩阵数据
Matrix3d a = Matrix3d::Identity();
//  转为数组数据使用其API
a.array();

反之，若数组数据想要使用矩阵API，应先转为矩阵：

复制代码

1
2
3
4
5
// 定义数组数据
Array33d a = Array33d::Zero();
//  转为矩阵数据使用其API
a.matrix();

若要进行数组与矩阵间的计算，也应将其转换为同一类型后再行计算。此外，Eigen支持将数组类型数据赋值给矩阵或相反。

元素类型转换

由于Eigen不支持自动进行类型升级，若要进行不同元素类型的两数据间，应使用显示转换将其转为统一元素类型：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#include <iostream>
#include <Eigen/Core>
#include <Eigen/Dense>

using namespace std;
using namespace Eigen;

int main() {
    // 定义数据
    Matrix3d a = Matrix3d::Identity();
    Matrix3f b = Matrix3f::Identity();
    //  显示转换为float
    cout << a.cast<float>()+b << endl;
    return 0;
}

输出如下：

复制代码

最后

以上就是欢喜野狼最近收集整理的关于Eigen库：数据定义及基础属性预备工作数据类型数据处理的全部内容，更多相关Eigen库内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。

本文分类：C++\CMake
浏览次数：119 次浏览
发布日期：2023-09-03 22:15:35
本文链接：https://www.kaopuke.com/article/k-p-k_14_uzo_10_fy_12__23__10_3.html

Eigen库：数据定义及基础属性预备工作数据类型数据处理

预备工作

1.环境

2.新建工程

3.CMakeLists.txt配置

4.引用头文件

数据类型

数据原型

快捷定义API

向量

动态数据

数据处理

数据初始化

元素赋值与获取

常用属性

数据大小

动态数据大小修改

数据转换

矩阵与数组的转换

元素类型转换

最后

评论列表共有 0 条评论

发表评论取消回复

Eigen库：数据定义及基础属性预备工作数据类型数据处理

预备工作

1.环境

2.新建工程

3.CMakeLists.txt配置

4.引用头文件

数据类型

数据原型

快捷定义API

向量

动态数据

数据处理

数据初始化

元素赋值与获取

常用属性

数据大小

动态数据大小修改

数据转换

矩阵与数组的转换

元素类型转换

最后

相关文章

评论列表共有 0 条评论

发表评论 取消回复

微信扫一扫：分享

发表评论取消回复