Eigen入门之密集矩阵 6 - Reductions, visitors and broadcasting
简介
本文介绍一下Dense Matrix的3中操作: reduction, visitor, broadcasting.
归约计算reduction.
Eigen的归约计算是这样的一类计算,它是对矩阵或者数组进行的计算,并返回一个标量。可能其中最常用的就是sum()
计算,它返回的是系数的和。
比如,前面曾经用到的示例:
#include <iostream>
#include <Eigen/Dense>
using namespace std;
int main()
{Eigen::Matrix2d mat;mat << 1, 2,3, 4;cout << "Here is mat.sum(): " << mat.sum() << endl;cout << "Here is mat.prod(): " << mat.prod() << endl;cout << "Here is mat.mean(): " << mat.mean() << endl;cout << "Here is mat.minCoeff(): " << mat.minCoeff() << endl;cout << "Here is mat.maxCoeff(): " << mat.maxCoeff() << endl;cout << "Here is mat.trace(): " << mat.trace() << endl;
}
其结果为:
Here is mat.sum(): 10
Here is mat.prod(): 24
Here is mat.mean(): 2.5
Here is mat.minCoeff(): 1
Here is mat.maxCoeff(): 4
Here is mat.trace(): 5
范式计算 (Norm comptation)
以下列出常用的向量范数和矩阵范数的定义,以及对应的MATLAB的函数:
1、向量范数
- 1-范数:,即向量元素绝对值之和,matlab调用函数norm(x, 1) 。
- 2-范数:,Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方,matlab调用函数norm(x, 2)。
- ∞-范数:,即所有向量元素绝对值中的最大值,matlab调用函数norm(x, inf)。
- -∞-范数:,即所有向量元素绝对值中的最小值,matlab调用函数norm(x, -inf)。
- p-范数:,即向量元素绝对值的p次方和的1/p次幂,matlab调用函数norm(x, p)。
2、矩阵范数
- 1-范数:, 列和范数,即所有矩阵列向量绝对值之和的最大值,matlab调用函数norm(A, 1)。
- 2-范数:,谱范数,即A’A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。
- ∞-范数:,行和范数,即所有矩阵行向量绝对值之和的最大值,matlab调用函数norm(A, inf)。
- F-范数:,Frobenius范数,即矩阵元素绝对值的平方和再开平方,matlab调用函数norm(A, ’fro‘)。
在Eigen中,提供了计算范式的一些方法。
- squaredNorm 向量的平方范式,2-范式,ℓ2\ell^2ℓ2的范式,可以使用方法
squaredNorm()
,即所有系数的平方之和,数学上是一个向量与自身的点乘。 - norm 即称欧拉范式,squaredNorm结果再开平方,得到平方根。
当这些计算作用于矩阵时, 一个 nXp的矩阵,可以当做一个大小为(n*p)的向量,比如"Frobenius" or "Hilbert-Schmidt" norm
。
我们避免提矩阵的ℓ2\ell^2ℓ2的范式(欧拉平方范式)运算,这样会导致歧义。
Eigen也额外提供了一些对系数进行欧拉范式操作方法,如ℓp\ell^pℓp范式,可以使用lpNorm<p>()
方法。如果要计算ℓ∞\ell^\inftyℓ∞ 范式,模板参数p取特殊值Infinity
即可,这得到系数绝对值的最大值。
示例:
//matrix_norm1.cpp#include <Eigen/Dense>
#include <iostream>using namespace std;
using namespace Eigen;int main()
{VectorXf v(2);MatrixXf m(2,2), n(2,2);v << -1,2;cout << "vector v: "<<endl<<v<<endl;cout << "v.squaredNorm() = " << v.squaredNorm() << endl;cout << "v.norm() = " << v.norm() << endl;cout << "v.lpNorm<1>() = " << v.lpNorm<1>() << endl;cout << "v.lpNorm<Infinity>() = " << v.lpNorm<Infinity>() << endl;cout << endl;m << 1,-2,-3,4;cout << "matrix m: "<<endl<<m<<endl;cout << "m.squaredNorm() = " << m.squaredNorm() << endl;cout << "m.norm() = " << m.norm() << endl;cout << "m.lpNorm<1>() = " << m.lpNorm<1>() << endl;cout << "m.lpNorm<Infinity>() = " << m.lpNorm<Infinity>() << endl;
}
执行结果:
$ g++ -I /usr/local/include/eigen3 matrix_norm1.cpp -o matrix_norm1
$ ./matrix_norm1
vector v:
-12
v.squaredNorm() = 5
v.norm() = 2.23607
v.lpNorm<1>() = 3
v.lpNorm<Infinity>() = 2matrix m: 1 -2
-3 4
m.squaredNorm() = 30
m.norm() = 5.47723
m.lpNorm<1>() = 10
m.lpNorm<Infinity>() = 4
boolean 归约
Eigen提供了一些针对Boolean运算的归约操作。
- all() : 如果系数全部满足Boolean计算结果,则结果为true;否则为false。
- any() : 如果系数有任何满足Boolean计算的结果,则结果为true;否则为false。
- count() : 返回满足条件的系数的数。
给一个示例:
#include <Eigen/Dense>
#include <iostream>using namespace std;
using namespace Eigen;int main()
{ArrayXXf a(2,2);a << 1,2,3,4;cout << "(a > 0).all() = " << (a > 0).all() << endl;cout << "(a > 0).any() = " << (a > 0).any() << endl;cout << "(a > 0).count() = " << (a > 0).count() << endl;cout << endl;cout << "(a > 2).all() = " << (a > 2).all() << endl;cout << "(a > 2).any() = " << (a > 2).any() << endl;cout << "(a > 2).count() = " << (a > 2).count() << endl;
}
结果:
(a > 0).all() = 1
(a > 0).any() = 1
(a > 0).count() = 4(a > 2).all() = 0
(a > 2).any() = 1
(a > 2).count() = 2
访问子 visitor
访问子visitor用于访问矩阵或数组内的系数及系数的位置。最简单的是前面曾经使用到的maxCoeff(&x,&y) , minCoeff(&x,&y)
。
示例请看下面的Partial reduction中的例子程序。
Partial reductions 局部归约
Eigen提供了针对矩阵的列或者行的归约操作,它们对矩阵的每行/每列进行操作,并返回结果向量。
对应的函数为colwise() , rowwise()
。
Note colwise()
返回的是一个行向量,而rowwise()
返回的是一个列向量。
示例:
//matrix_norm2.cpp#include <iostream>
#include <Eigen/Dense>using namespace std;int main()
{Eigen::MatrixXf mat(2,4);mat << 1, 2, 6, 9,3, 1, 7, 2;std::cout << "Column's maximum: " << std::endl<< mat.colwise().maxCoeff() << std::endl;std::cout << "Row's maximum: " << std::endl<< mat.rowwise().maxCoeff() << std::endl;}
执行:
$ g++ -I /usr/local/include/eigen3 matrix_norm2.cpp -o matrix_norm2
$ ./matrix_norm2
Column's maximum:
3 2 7 9
Row's maximum:
9
7
broadcasting
广播broadcasting比Partial reduction多了一个操作。其把一个向量赋值多次,结合成一个矩阵,可以和以及矩阵进行运算。
下面是一个简单的示例程序:
//matrix_broadcast.cpp
#include <iostream>
#include <Eigen/Dense>using namespace std;int main()
{Eigen::MatrixXf mat(2,4);Eigen::VectorXf v(2);mat << 1, 2, 6, 9,3, 1, 7, 2;v << 0,1;//add v to each column of mmat.colwise() += v;std::cout << "Broadcasting result1: " << std::endl;std::cout << mat << std::endl;// -------------Eigen::MatrixXf mm(2,2);mm<<1,2,3,4;v << 1,1;mm.rowwise() += v.transpose();std::cout << "Broadcasting result2: " << std::endl;std::cout << mm << std::endl;}
执行的情况类似:
[12693172]+[00001111]=[12694283].\begin{bmatrix} 1 & 2 & 6 & 9 \\ 3 & 1 & 7 & 2 \end{bmatrix} + \begin{bmatrix} 0 & 0 & 0 & 0 \\ 1 & 1 & 1 & 1 \end{bmatrix} = \begin{bmatrix} 1 & 2 & 6 & 9 \\ 4 & 2 & 8 & 3 \end{bmatrix}. [13216792]+[01010101]=[14226893].
[1234]+[1111]=[2345].\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix} + \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix} = \begin{bmatrix} 2 & 3 \\ 4 & 5 \end{bmatrix}. [1324]+[1111]=[2435].
执行结果:
$ g++ -I /usr/local/include/eigen3 matrix_broadcast.cpp -o matrix_broadcast
$
$ ./matrix_broadcast
Broadcasting result1:
1 2 6 9
4 2 8 3
Broadcasting result2:
2 3
4 5
综合: 结合broadcasting和其他的操作及运算
//matrix_broadcast2.cpp
#include <iostream>
#include <Eigen/Dense>using namespace std;
using namespace Eigen;int main()
{Eigen::MatrixXf m(2,4);Eigen::VectorXf v(2);m << 1, 23, 6, 9,3, 11, 7, 2;v << 2,3;MatrixXf::Index index;// find nearest neighbour(m.colwise() - v).colwise().squaredNorm().minCoeff(&index);cout << "Nearest neighbour is column " << index << ":" << endl;cout << "Nearest column vector: " << endl << m.col(index) << endl;
}
计算
m.colwise() - v
:
[1236931172]−[22223333]=[−12147084−1]\begin{bmatrix} 1 & 23 & 6 & 9 \\ 3 & 11 & 7 & 2 \end{bmatrix} - \begin{bmatrix} 2 & 2 & 2 & 2 \\ 3 & 3 & 3 & 3 \end{bmatrix} = \begin{bmatrix} -1 & 21 & 4 & 7 \\ 0 & 8 & 4 & -1 \end{bmatrix} [1323116792]−[23232323]=[−10218447−1]计算
(m.colwise() - v).colwise().squaredNorm()
:
(m.colwise() - v).colwise().squaredNorm() = [ \begin{bmatrix} 1 & 505 & 32 & 50 \end{bmatrix} ]
- minCoeff(&index) 用来获得在m矩阵内,最小的系数位置索引,该列向量与向量v具有最短欧拉距离。
执行结果:
$ g++ -I /usr/local/include/eigen3 matrix_broadcast2.cpp -o matrix_broadcast2
$ ./matrix_broadcast2
Nearest neighbour is column 0:
Nearest column vector:
1
3
[431311431311431311]\begin{bmatrix} 4 & 3 & 13 & 11 \\ 4 & 3 & 13 & 11\\4 & 3 & 13 & 11 \end{bmatrix} ⎣⎡444333131313111111⎦⎤
[431311]\begin{bmatrix} 4 & 3 & 13 & 11 \end{bmatrix} [431311]
Eigen入门之密集矩阵 6 - Reductions, visitors and broadcasting相关推荐
- Eigen入门之密集矩阵 7 - Map class:连接Eigen与C++的数据
简介 本文介绍一下Dense Matrix如何与c/C++的数组进行交互操作,这在引入其他的库中的vector向量和矩阵到Eigen中时要使用到的技术. 有时,你有一些定义好的数据,可能是数组,你需要 ...
- Eigen入门之密集矩阵 10 - 矩阵的行优先及列优先存储
简介 本篇介绍Eigen中矩阵及二维数组的系数存储顺序–行优先及列优先,已经如何指定优先顺序. 行优先(row-majoe). 列优先(column-majoe) 矩阵的系数条目组成了一个二维的结构, ...
- Eigen入门之密集矩阵 9 - 别名混乱Aliasing
简介 别名混乱Aliasing是指在赋值表达式中,一个Eigen对象(矩阵.数组.向量)同时出现在左值和右值表达式中,比如v = v*2; m = m.transpose();; 别名混乱会引起错误, ...
- Eigen入门之密集矩阵 8 - resharp slicing切片
简介 Eigen还没有提供resharp或者slicing的处理函数,但是,可以使用Map 类来实现这些功能. 实现resharp 操作Resharp及修改Matrix的维度大小,而其系数保持不变.R ...
- Eigen入门之密集矩阵 5 - 再谈Matrix初始化
简介 这里将讨论一下高级些的矩阵初始化方法. comma-initializer 逗号初始化器 comma-initializer方法很简单,可以一下把矩阵/向量的系数全部设置完.语法很简单,使用逗号 ...
- Eigen入门之密集矩阵 4 - 块操作
简介 Eigen 中Matrix/Array提供了.block()来进行block区块操作,这是面向系数提供的操作功能. 语法 Eigen中提供了2种语法,针对产生的结果是一致的.但存在性能上的不同, ...
- Eigen入门之密集矩阵 3 - Array操作
简介 在Eigen内,有Matrix,vector进行线性代数的相关运算,但也需要执行对矩阵内的系数的相关操作时,这是正常的功能需求.Eigen中的Array类就是满足此需求的. Array 定义 和 ...
- Eigen入门之密集矩阵 2-- Matrix及Vector的计算方法
简介 Eigen内的Matrix和Vector提供了类似C++的运算符,如+,-,*:也提供了编程的函数方法,如点乘和叉乘的dot(), cross(),如此等等. 在Eigen的Matrix类,代表 ...
- Eigen入门之密集矩阵 1 -- 类Matrix介绍
简介 本篇介绍Eigen中的Matrix类.在Eigen中,矩阵和向量的类型都用Matrix来表示.向量是一种特殊的矩阵,其只有一行或者一列. Matrix构造 在Matrix.h中,定义了Matri ...
最新文章
- python散点图点的大小-Java 学习之路
- Tomcat -- Cannot create a server using the sel...
- PJzhang:英国通信总部GCHQ开源产品-网络瑞士军刀CyberChef
- Qt场景中图形项的删除
- cmd切换为administrator用户
- [转载] 50个数据可视化最有价值的图表(附完整Python代码,建议收藏)
- jQuery静态方法(each、map、isFunction, isWindow, isArray, .trim(), .holdReady())
- 个人Web自动化测试学习点总结
- RMAN数据库完全备份和恢复
- Mac Android 查看dex文件内容
- 【渗透测试笔记】之【Cobalt Strike小技巧——后台挂起CS服务端】
- ROS机器人(一) -- 环境搭建
- html 键盘按键与按钮功能关联
- nodeBB项目开发中遇到的错误(nodeBB系列二)
- jstack问题定位分析
- 网络多媒体素材加工【1】
- eclipse的使用简介
- python加法例子_用python给小孩随机生成一组10以内加减法
- ppt文字转换成word
- 自动驾驶汽车?法律:伦理