Boost::uBLAS对Eigen

Question

我几乎所有的数学线性代数工作都习惯于本征。最近，我发现Boost还提供了一个C++模板类库，它提供了基本的线性代数库(Boost::uBLAS)。这让我想知道我是否可以仅仅基于boost来完成我所有的工作，因为它已经是我的代码的一个主要库。

仔细观察这两种情况并不能使我对两者有更清楚的区别：

• 助推：：uBLAS：

uBLAS为稠密、单位和稀疏向量、稠密、恒等式、三角形、带状、对称、hermitian和稀疏矩阵提供模板化的C++类。可以通过范围、切片、适配器类和间接数组来构造向量和矩阵的视图。该库涉及向量和矩阵上常用的基本线性代数运算:约简(如不同范数)、向量和矩阵的加减法以及用标量乘积、内积和外积乘法、矩阵向量和矩阵积以及三角求解器。 ..。

• 艾根：

它支持所有的矩阵大小，从小的固定大小的矩阵到任意大的密集矩阵，甚至是稀疏的矩阵。 它支持所有标准数字类型，包括std::complex、整数，并且很容易扩展到自定义的数字类型。 它支持各种矩阵分解和几何特征。 它由不支持的模块组成的生态系统提供了许多特殊的特性，如非线性优化、矩阵函数、多项式求解器、FFT等。 ..。

有没有人对他们的主要区别有更好的了解，我们可以在哪一个基础上做出选择？

Answer 1

我正在重写一个实质性的项目，从boost::uBLAS到Eigen。这是商业环境中的生产代码。早在2006年，我就选择了uBLAS，现在我推荐了对艾根的改变。

uBLAS只会导致编译器执行很少的实际矢量化。我可以查看大型源文件的程序集输出，使用SSE编译成amd64体系结构，使用浮动类型，而不找到一个*ps指令(加载项、覆盖项、子程序、4种方式打包的单精度浮点指令)和仅*ss指令(addss、.、标量单精度指令)。

使用本征，将编写库以确保向量指令的结果。

特征非常完整。有很多矩阵分解和解。在boost::uBLAS中，LU分解是一个无文档化的附加程序，是一段贡献代码。特征有三维几何的附加功能，比如旋转和四元数，而不是uBLAS。

uBLAS在最基本的操作上稍显完整。特征缺少一些东西，比如投影(用另一个矩阵索引一个矩阵)，而uBLAS则有它。对于两者都具有的特性，特征更加简洁，从而使表达更容易阅读。

那么，uBLAS是完全过时的。我不明白在2016/2017年间，人们是如何看待这一问题的。阅读常见问题：

问:我应该在新项目中使用uBLAS吗？答:在撰写本报告时(09/2012)，有许多优秀的矩阵库可供使用，例如MTL4、armadillo、eigen。uBLAS提供了一组稳定的、经过良好测试的向量和矩阵类，是线性代数的典型运算，也是三角方程组的求解器。uBLAS提供密集、结构化和稀疏的矩阵--所有这些都使用类似的接口。最后，uBLAS提供了良好的(但不是出色的)性能。另一方面，uBLAS的上一次重大改善发生在2008年，自2009年以来没有出现重大变化。因此，人们应该问自己一些问题，以帮助做出决定:可用性？uBLAS是boost的一部分，因此可以在许多环境中使用。易用？uBLAS很容易用于简单的事情，但当您离开路径时，需要很好的C++知识。表演？还有更快的替代方案。尖端？uBLAS已经十多岁了，错过了C++11的所有新东西。

Answer 2

我刚刚做了一个时间复杂度的比较boost和特征，对于相当琐碎的矩阵计算。这些结果虽然有限，但似乎表明，提振是一种更好的选择。我有一个有限元程序，它做预处理部分(设置元素矩阵，并将它们拼接在一起)。因此，自然地，这将涉及到大量的内存分配。

​

​

我在C++ (gcc 5.4.0，ubuntu16.04，Intel i3 Quad，2.40GHz，RAM : 4Gb)上编写了相同的Boost和Eigen代码，并分别运行不同节点大小(N)的代码，并使用linux实用程序计算时间。就我而言，我决定继续推进我的代码。

Answer 3

如果您关心表达式模板引入的性能和性能增益，则选择特征；如果只想学习表达式模板，则选择uBlas。

http://eigen.tuxfamily.org/index.php?title=Benchmark