简介Eigen3.zip 面向使用 C 进行矩阵运算与数值算法开发的工程人员提供在 CMake3 与 VS2017 环境下编译整理的 Eigen3 共享文件主要解决 Windows 平台缺少现成 include 与 lib、VS 工程链接配置繁琐的问题可用于算法验证、课程实验及中小型 C 项目。压缩包共含 482 个文件以 424 个 h 头文件为主体并配有 4 个 cmake 配置文件及 Core、Sparse、SVD、Geometry、Tensor、FFT 等模块相关文件覆盖稠密与稀疏矩阵、线性方程求解、特征值、几何变换等常用能力整体约 1.45MB目录按头文件与构建配置组织便于按模块查找。已有 302 人学习说明其对需要快速接入 Eigen 的开发者具有一定参考价值。借助包内头文件和链接库读者可减少自行编译与依赖排查时间将矩阵运算、稀疏线性代数、几何变换等能力接入现有 VC 工程并利用 cmake 配置完成工程集成适合希望省去重复构建、专注算法实现的开发者。1. Eigen3 到手先别急着 include一份头文件库到底能替掉多少手写矩阵代码有个做图像处理的同行拿着一个 zip 过来问这东西和 MATLAB 里那套矩阵语法到底差多远能不能直接丢进 VC 工程里用。文件名叫 Eigen3.zip解压出来没有 lib、没有 dll、没有 bin只有一层层的.h和Eigen/src/—— Eigen3 是个纯头文件的 C 模板库矩阵、向量、稠密/稀疏分解、几何变换都在里面算法层从 LU 到 SVD 到特征值一条龙。它的价值不在于“又一个数学库”而在于你写 C 时不用再手搓三重循环和三重指针且语法能贴着 MATLAB 的手感走。适合三类人正在把 MATLAB 算法往 C 迁的、被自研矩阵类坑过的、以及想在 VC 工程里加线性代数但不想引第三方二进制依赖的。2. 从 zip 到可编译目录结构、头文件路径与第一个矩阵乘法拿到包的第一步不是写代码是把目录认全。Eigen 的接入方式直接决定了后面编译、链接、发布会不会翻车这一章先把路径打通再落一个能跑的例子。2.1 解压后先认目录Eigen/ 与 unsupported/ 的边界解压完你会看到两个顶层目录Eigen/和unsupported/。前者是核心Eigen/Dense一个头就能把矩阵、向量、常用分解全拉进来后者是社区模块多项式求根、样条、自动微分、张量这些都在里面接口稳定性弱一档用之前要有心理准备。关键点在于这个包没有编译产物所有东西都是模板在你的编译单元里实例化。这意味着三件事编译期开销会体现在你的工程上而不是库里ABI 对齐、编译选项这些必须由你统一版本升级就是换头文件不存在二进制兼容问题。常见做法是把整包放到工程的third_party/下然后把third_party/eigen3这一个目录加进 include 路径。注意是加包含Eigen/的那一层不是加Eigen/本身。加错层的典型现象是#include Eigen/Dense报找不到而#include Dense反而能找到——这时候别怀疑包坏了回去看-I指向哪里。提示不要把unsupported/里的头文件路径单独拆出来加-I它内部是相对unsupported/写的引用拆开会连环报错。2.2 三种接入方式按工程形态选第一种裸编译加-I适合验证和小 demog -stdc17 -O2 -I./third_party/eigen3 verify.cpp -o verify-stdc17建议直接上Eigen 的很多对齐和constexpr行为在 C17 下更省心-O2别省模板库在-O0下跑矩阵乘法会慢到让你误以为库有问题。第二种CMake 的find_package适合多模块工程cmake_minimum_required(VERSION 3.16) project(eigen_demo CXX) set(CMAKE_CXX_STANDARD 17) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 指向解压目录里面能找到 Eigen3Config.cmake list(APPEND CMAKE_PREFIX_PATH ${CMAKE_SOURCE_DIR}/third_party/eigen3) find_package(Eigen3 REQUIRED NO_MODULE) add_executable(demo main.cpp) target_link_libraries(demo PRIVATE Eigen3::Eigen)NO_MODULE是让它走 config 模式而不是去系统里瞎找Eigen3::Eigen是导入目标它自带 include 目录和编译定义别自己再手写一遍include_directories两套混用容易出重复路径。如果你的包是老版本没带 config 文件就退回include_directories(${CMAKE_SOURCE_DIR}/third_party/eigen3)。第三种vendoring把Eigen/目录整个拷进自己源码树。好处是发布时零外部依赖坏处是升级要手动 diff。我一般在对外交付的项目里用这种内部工具链用第二种。2.3 第一个可运行例子3x3 求逆与残差校验先别上大矩阵用一个小到能手算的方阵把链路走通// verify.cpp #include Eigen/Dense #include iostream #include iomanip int main() { // 对称正定矩阵方便后面换求解器做对比 Eigen::Matrix3d A; A 4.0, -2.0, 1.0, -2.0, 4.0, -2.0, 1.0, -2.0, 3.0; Eigen::Vector3d b(1.0, 2.0, 3.0); // partialPivLu带部分主元选取的 LU一般方阵的默认选择 Eigen::Vector3d x A.partialPivLu().solve(b); // 残差是判断解是否可信的第一指标比看 x 的值靠谱 double res (A * x - b).norm(); // 条件数粗估||A|| * ||A^-1||量级过大说明矩阵病态 double cond A.norm() * A.inverse().norm(); std::cout std::setprecision(12); std::cout x x.transpose() \n; std::cout residual res \n; std::cout cond cond \n; return 0; }A 4.0, -2.0, ...是逗号初始化器按行填充这一点和 MATLAB 的字面量顺序一致但和内存布局不一致——后面讲存储顺序时会说清这个差异为什么会让新手翻车。partialPivLu()返回一个分解对象.solve(b)才真正求解两个动作分开写的好处是同一个分解可以反复解不同的右端项。(A * x - b).norm()是二范数残差在 1e-16 量级说明解正常如果残差在 1e-3 以上先别怀疑库去看矩阵是不是本身接近奇异。A.inverse()这里只是用来估条件数生产代码里不要真的求逆再乘那是数值上的忌讳。跑通之后把A换成Eigen::MatrixXd::Random(200, 200)把b换成随机向量看耗时。这一步是给自己一个基准手感几百阶的稠密矩阵在普通机器上解一次应该是毫秒级如果你测出几百毫秒八成是编译选项没开优化。3. 矩阵与算法的核心接口Map、Block、表达式模板怎么选跑通 hello world 只是开始Eigen 真正决定性能的是三件事内存怎么排、外部数据怎么零拷贝接进来、线性方程组该用哪个分解。这三件事选错代码能跑但结果和速度都会让你怀疑人生。3.1 存储顺序ColMajor 与 RowMajor 的性能差异Eigen 默认是列主序ColMajor和 Fortran、BLAS、LAPACK 一致。MATLAB 也是列主序所以从 MATLAB 迁过来的数值逻辑通常不需要改但如果你是从 C 二维数组或者图像行优先缓冲区接数据就会踩到第一个坑。// 3 行 4 列列主序内存里先存完整的第一列 Eigen::Matrixdouble, 3, 4 A; // A.data()[0..2] 是第 0 列A.data()[3..5] 是第 1 列 // 3 行 4 列行主序内存里先存完整的第一行 Eigen::Matrixdouble, 3, 4, Eigen::RowMajor B; // B.data()[0..3] 是第 0 行选哪个不看你顺眼看数据从哪来。图像处理里一行一行扫的缓冲区用RowMajor接进来遍历时缓存命中率高做矩阵分解、解方程、跟 BLAS 对接用默认的ColMajor。混合使用不是不行但每做一次A * BEigen 内部要处理布局转换小矩阵无所谓大矩阵就是白送的性能损失。一个具体的判断方法把矩阵按你最常用的遍历方式走一遍for (i) for (j) sum M(i,j)是行优先遍历for (j) for (i)是列优先遍历。让遍历顺序和存储顺序一致这是零成本的优化。3.2 零拷贝接入外部内存Map 的三种写法已有的double*缓冲区不想拷一遍用Eigen::Map。它不拥有内存只做视图改它等于改原缓冲区。#include Eigen/Dense // 已有缓冲区按行存了 3x4 的数据 double raw[12] { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }; // 声明成行主序和缓冲区布局对齐零转换 Eigen::MapEigen::Matrixdouble, 3, 4, Eigen::RowMajor M(raw); // M(1, 2) 就是 raw[1 * 4 2] 7 // 只读视图防止下游代码误改 Eigen::Mapconst Eigen::Matrixdouble, 3, 4, Eigen::RowMajor Mc(raw); // 动态尺寸视图长度运行时才知道 Eigen::MapEigen::VectorXd v(raw, 12);Map的模板参数必须显式写布局因为它没法从裸指针推断。写错布局不会编译报错只会让M(1,2)读到错误位置这种 bug 最难查——数值看起来“差不多对”但就是和参考实现差一点。const版本值得养成习惯尤其是当这个Map要往下传好几层函数时加const能挡住一批手滑的原地写入。注意Map不管理生命周期原缓冲区释放后这个视图就是野指针别把它存进比缓冲区活得更久的对象里。3.3 解线性方程组LU、QR 还是 LLT这是选型里最容易被糊弄过去的一节。很多人一律A.inverse() * b能出结果但慢且不稳。正确的做法是先看矩阵结构分解适用矩阵相对开销稳定性说明llt()对称正定最低不检查正定性失败时结果无意义ldlt()对称半正定/不定低比 llt 稳可处理零特征值partialPivLu()一般方阵中默认首选带行主元fullPivLu()秩亏、需判秩较高行列都选主元可暴露秩householderQr()长方阵、最小二乘较高数值稳定colPivHouseholderQr()可能秩亏的长方阵更高带列主元能判秩jacobiSvd()任意最稳最高病态问题和伪逆的兜底选型理由一句话结构信息比矩阵大小更决定算法。你明确知道是对称正定用llt()能省掉一半计算量不确定就用partialPivLu()矩阵可能秩亏或者要做最小二乘走 QR实在不知道怎么办SVD。Eigen::MatrixXd A Eigen::MatrixXd::Random(500, 500); Eigen::VectorXd b Eigen::VectorXd::Random(500); // 对称正定场景先对称化构造仅作演示 Eigen::MatrixXd S A.transpose() * A; Eigen::VectorXd x1 S.llt().solve(b); // 一般方阵 Eigen::VectorXd x2 A.partialPivLu().solve(b); // 需要判秩或做最小二乘 Eigen::VectorXd x3 A.colPivHouseholderQr().solve(b);同一份A三种分解给出的x在小数点后十几位才可能不同但耗时能差出几倍。批量求解时把分解对象提出来复用比如Eigen::PartialPivLUEigen::MatrixXd lu(A);之后循环里只调lu.solve(bi)这是最直接的提速手段。colPivHouseholderQr()还有个额外能力rank()和isInvertible()遇到上游数据脏、矩阵实际秩亏的情况这两个接口能让你在解出天文数字之前就发现问题。4. 从 MATLAB 迁到 Eigen语法对照与批量改写绝大多数人拿到 Eigen 是因为手上有一堆.m文件要落地成 C。这一章给的是逐条对照和迁移中最容易产生数值差异的地方照着改能省掉大量来回对数的功夫。4.1 逐行对照表A\b、.*、size、reshapeMATLABEigen说明AA.transpose()实数矩阵等价A复数A.adjoint()共轭转置别用 transposeA\bA.partialPivLu().solve(b)方阵长方阵用 QRA.*BA.cwiseProduct(B)逐元素乘A./BA.cwiseQuotient(B)逐元素除A.^2A.array().square()逐元素平方size(A,1)A.rows()行数numel(A)A.size()元素总数zeros(n,m)Eigen::MatrixXd::Zero(n,m)初始化ones(n,m)Eigen::MatrixXd::Ones(n,m)初始化eye(n)Eigen::MatrixXd::Identity(n,n)单位阵A(2,3)A(1,2)索引从 0 开始A(:,3)A.col(2)取列A(2,:)A.row(1)取行A(2:5,:)A.middleRows(1,4)起始索引 行数sum(A)A.colwise().sum()按列求和max(A(:))A.maxCoeff()全局最大索引偏移是最容易出错的MATLAB 的A(2,3)是第 2 行第 3 列Eigen 的A(1,2)才是同一个元素。迁移时把每个下标减 1 是机械动作但凡是循环边界、切片、end关键字的位置都要单独核一遍。注意A.array()之后的世界是逐元素的A.matrix()切回来。A.array().square()这种写法在信号处理、损失函数里到处都是别写成A * A——那是矩阵乘。4.2 数据桥接csv 读入与矩阵落地算法迁完之后输入输出还得对上。最常见的中间格式是 csv写个小的读写函数比引第三方解析库划算#include Eigen/Dense #include fstream #include sstream #include vector #include string // 读 csv 为动态矩阵空行跳过按逗号切分 Eigen::MatrixXd loadCsv(const std::string path) { std::ifstream in(path); if (!in) throw std::runtime_error(open failed: path); std::vectorstd::vectordouble rows; std::string line; while (std::getline(in, line)) { if (line.empty()) continue; std::stringstream ss(line); std::string cell; std::vectordouble row; while (std::getline(ss, cell, ,)) row.push_back(std::stod(cell)); rows.push_back(std::move(row)); } Eigen::MatrixXd M(rows.size(), rows.front().size()); for (size_t i 0; i rows.size(); i) for (size_t j 0; j rows[i].size(); j) M(i, j) rows[i][j]; return M; }M(i, j)逐个赋值在列主序矩阵上是行优先访问缓存不友好。大文件请换成先建RowMajor矩阵、读完再M Mrow转一次或者直接M.transpose()后按列填。这个细节在几百乘几百的矩阵上无所谓上万维时会明显拖慢。写出更简单Eigen::IOFormat配std::ofstream就够Eigen::IOFormat csvFmt(Eigen::FullPrecision, Eigen::DontAlignCols, ,, \n); std::ofstream out(result.csv); out M.format(csvFmt);FullPrecision别省。默认精度只保留 6 位有效数字导出的结果再喂给下一环节误差会被放大这类问题排查起来特别像玄学。4.3 数值差异从哪来列主序、条件数与浮点累加同样一份算法MATLAB 跑出来和 C 跑出来在 1e-12 上有差异是正常的在 1e-3 上有差异就不正常。差异来源通常三个一是累加顺序。MATLAB 的sum和 Eigen 的colwise().sum()都可能做向量化重排浮点加法不满足结合律顺序一变结果就变。要严格复现就手动写顺序循环。二是条件数。MATLAB 的A\b内部会根据矩阵结构自动选求解器你手动写partialPivLu()未必选了同一个。同一个病态矩阵不同分解的结果可以有量级差异这不是谁错了是问题本身没有唯一稳定解。三是隐式类型转换。Eigen::MatrixXi和Eigen::MatrixXd混用会触发逐元素转换整数除法截断这种老问题会在这里重现。所有参与数值计算的矩阵从一开始就定义成double别用int存中间结果。提示迁移验证的做法是拿同一组输入分别跑 MATLAB 和 C输出 csv 逐元素做差看最大绝对误差和相对误差两个指标别只看平均值。5. Windows VC 环境的避坑编译、对齐与链接同样的代码在 Linux 下 g 一次过到 VC 上各种报错这是 Eigen 用户里最常见的血泪经验。这一章按现象、原因、解决三段式把四类高频问题摆清楚。5.1 现象编译到一半报 C1128 或堆栈溢出原因Eigen 是重度模板库一个包含大量矩阵运算的.cpp会生成巨量符号MSVC 的默认对象文件段数上限扛不住同时深递归的模板实例化会吃光编译器栈。解决加/bigobj提高对象文件的段上限加/MP开多进程编译每个源文件一个进程编译时间能砍掉一半以上模板递归过深时加/Zm200放宽预编译头内存限制。cl /std:c17 /O2 /EHsc /bigobj /MP /I third_party\eigen3 main.cpp/EHsc别漏异常处理模型不匹配会在某些标准库交互处报奇怪的警告。如果你是 CMake 工程用target_compile_options(demo PRIVATE /bigobj /MP)加别全局改。还有一个隐藏项如果你开了/fp:fastEigen 的部分归约结果会和你预期不同数值敏感的项目建议用/fp:precise。5.2 现象程序在_mm_load_pd或_mm256_load_pd处崩溃调用栈指向某个类的构造函数原因Eigen 对固定尺寸、且大小是 16 字节整数倍的向量化类型如Vector4d、Matrix4d、Vector2d之外的Vector4f要求 16 或 32 字节对齐。把这些类型作为类的成员、或者用new分配、或者塞进std::vector对齐要求可能不被满足访问时就是非法指令。解决分三步。第一C17 起new已经能处理过对齐类型std::vector配合标准分配器也基本没问题但 MSVC 的老版本工具集仍有边界情况所以class Tracker { public: // C17 之前必须写现在写上也无害属于双保险 EIGEN_MAKE_ALIGNED_OPERATOR_NEW Eigen::Vector4d state; // 32 字节需要对齐 Eigen::Matrix4d cov; // 128 字节需要对齐 };第二如果这个类要放进std::vector用std::vectorTracker, Eigen::aligned_allocatorTracker别用默认分配器。第三实在不想管对齐把固定尺寸成员换成动态尺寸或者用带 MaxSize 的写法把数据放到堆上// 栈上固定上限、实际尺寸运行时决定回避对齐约束 Eigen::Matrixdouble, Eigen::Dynamic, Eigen::Dynamic, 0, 4, 4 small;代价是失去一部分编译期优化换来的是不再有对齐崩溃。我一般在对性能不敏感的配置类、状态类上用这种热路径上还是老实加宏。5.3 现象链接期报 LNK2019符号在某个.obj里找不到原因Eigen 是头文件库理论上不该有链接错误出现基本是两个情况——把unsupported/里某个需要额外源文件的模块当纯头文件用了或者工程里同时存在两个不同路径下的 Eigen 副本导致同名类型在多个编译单元里被当成不同类型。解决先搜工程里有没有第二份Eigen/Corefind一下Dense文件名重复的删掉。然后确认unsupported/模块的使用方式有些模块比如部分稀疏求解器确实需要额外编译单元看它目录下的说明。还有一种隐蔽情况预编译头里 include 了 Eigen而某个.cpp又用了不同宏定义比如一个开了EIGEN_DONT_VECTORIZE一个没开两边的类型布局不一致链接期就出问题。宏定义要么全局统一要么别放预编译头。5.4 现象改一行代码编译三分钟原因模板实例化是按编译单元走的一个.cpp里用到的所有矩阵类型组合都要现算一遍。你在头文件里写了一个模板函数被 50 个源文件包含就等于实例化 50 次。解决把重模板代码收敛到少量.cpp里对外只暴露非模板接口。具体做法是定义一个struct MatrixOps内部用 Eigen头文件里只声明Eigen::MatrixXd compute(const Eigen::MatrixXd)这类具体类型签名实现放.cpp。调用方拿不到模板编译时间立刻下来。另一招是预编译头把Eigen/Dense放进pch.hMSVC 下/Yu配/Yc能显著减少重复解析。注意预编译头里的宏定义要和所有源文件一致否则就是上一节说的链接问题。6. 验证与压测怎么确认这份库在你的工程里没跑偏接入完成、代码编译通过、结果看着也对这时候还不能算完。真正要确认的是两件事数值上有没有隐藏的精度退化性能上有没有被动态内存分配拖住。数值验证我固定用三件套。第一残差(A * x - b).norm() / b.norm()相对残差控制在 1e-12 以内算通过。第二条件数用A.norm() * A.inverse().norm()粗估超过 1e12 就说明这个方程组本身不可靠换 SVD 兜底。第三和参考实现对拍拿同一组数据在另一套环境里跑一遍逐元素做差看最大绝对误差。性能这块有个黑匣子级别的技巧Eigen 支持在运行时禁止堆分配任何隐式临时变量都会立刻断言。这个开关需要宏开启#define EIGEN_RUNTIME_NO_MALLOC #include Eigen/Dense #include iostream int main() { Eigen::MatrixXd A Eigen::MatrixXd::Random(64, 64); Eigen::VectorXd b Eigen::VectorXd::Random(64); // 分解阶段允许分配把临时量一次吃完 Eigen::PartialPivLUEigen::MatrixXd lu(A); Eigen::VectorXd x(64); x.setZero(); // 之后禁止任何堆分配谁偷偷 new 谁就断言 Eigen::internal::set_is_malloc_allowed(false); x lu.solve(b); Eigen::internal::set_is_malloc_allowed(true); std::cout residual (A * x - b).norm() \n; return 0; }set_is_malloc_allowed(false)之后一旦某行代码触发了内部临时矩阵分配程序会在断言处停下调用栈直接指到那一行。常见触发点是A B * C这种会生成临时量的表达式改成A.noalias() B * C就能消掉x lu.solve(b)里如果x尺寸不对也会分配所以提前resize好。这个检查我建议在性能敏感路径上常开Release 模式下用NDEBUG关掉断言即可代码不用改。它抓出来的问题往往是那种“跑得慢但说不清哪里慢”的典型场景比 profiler 更直接。压测的做法简单粗暴MatrixXd::Random(256, 256)做 100 次乘法用std::chrono::high_resolution_clock计时累加结果写进volatile防止被优化掉然后对比开/O2和/Od的差距。开优化后 256 阶乘法单次应该在毫秒以内如果你的数字大一个量级先回去查是不是漏了-O2或者矩阵被声明成了RowMajor却在做列方向运算。从那以后我每次把 Eigen 接进新工程都强制走一遍这个开关 malloc 的检查再配一次小矩阵残差对拍两分钟的事能挡掉后面几天的排查。这份 zip 的价值也就在这——它是头文件你怎么用、用哪部分、走不走向量化全在你手里跑通上面这些步骤它就能安安稳稳待在你的third_party/里。希望帮到你。本文还有配套的精品资源点击获取