- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我需要在 C++ 程序中计算一个非常大的稀疏对称矩阵的 n 个最小幅值特征向量。对于我的示例,假设 n=30,矩阵为 10k x 10k,具有大约 70k 个非零值。
在对一些库进行大量研究和试验后,我发现 ARPACK++ 可能是我最好的选择,我按照 in this page 的步骤安装了它。 .
计算是使用以下代码片段进行的:
// L is an Eigen library matrix
L.makeCompressed();
ARluSymMatrix<MTYPE> A(L.cols(), L.nonZeros(), L.valuePtr(), L.innerIndexPtr(), L.outerIndexPtr(), 'U');
ARluSymStdEig<MTYPE> eig(n, A, "SM");
TIC
eig.FindEigenvectors();
TOC
这让我得到了正确的结果,但大约需要 8.5 秒,而在 Matlab 中,我只需调用 0.5 秒就可以得到相同的结果
tic
[V,D] = eigs(L,30,'sm');
toc
根据我对 Matlab eigs()
主题的研究,也调用 ARPACK fortran 库进行相同的计算,所以我不明白为什么 C++ 包装器这么慢。
此外,ARPACK++ 在许多情况下表现得非常奇怪,例如当我尝试使用 float 而不是 double 时,程序将简单地停止并且什么都不做,直到我将其取下,或者当尝试计算 0 或 0.0001 等值附近的特征向量时,应该等同于'SM',它只是吐出垃圾和崩溃。
因此,我怀疑 ARPACK++ 是否真的那么慢,或者所有这些都是某些错误配置/安装的症状,如果是这样,我该怎么做才能解决它。感谢您提供的任何帮助。
最佳答案
虽然这篇文章比较老,但我还是想分享一下我使用 ARPACK 和 C++ 的经验:
我的 C++ 项目也需要 ARPACK,但我没有使用 ARPACK++ 包。相反,有一个非常好的仍在维护 Github-repo,称为arpack-ng,它还使所有用于计算极值特征值的主要例程都可以通过 C++ 头文件使用。它还包括称为 PARPACK 的 ARPACK 的并行版本。
关于c++ - Arpack++ 稀疏特征求解器比等效的 Matlab eigs() 慢很多倍,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25065649/
我为此进行了很多搜索,但找不到关于“eig”和“eigs”这两种方法有何不同的答案。从他们那里得到的特征值和特征向量有什么区别? 最佳答案 他们使用不同的算法,针对不同的问题和不同的目标量身定制。 e
我使用 eigs 计算较大(数万)的稀疏方阵的特征向量。我想要的是最小的一组特征向量。但是 eigs(A, 10, 'sm') % Note: A is the matrix 运行很慢。 但
有没有办法提高numpy.linalg.eig()和scipy.linalg.eig()的输出精度? 我正在对角化一个非对称矩阵,但我希望在物理基础上得到正负特征值对的实谱。事实上,特征值确实成对出现
我想用 lambda * M * v = K * v 计算广义特征值问题的特征值,其中 lambda 是特征值,v 是特征向量,M 和 K 是矩阵。假设我们有 K = 1.8000 + 0.00
上下文: 我的目标是创建一个 Python3 程序来对大小为 N 的向量 V 进行微分运算。我这样做了,测试了它的基本操作并且它有效(微分、梯度...)。 我尝试以此为基础编写更复杂的方程(Navie
我有以下矩阵 sigma 和 sigmad: 西格玛: 1.9958 0.7250 0.7250 1.3167 西格玛德: 4.8889 1.1944 1.
我尝试在 MATLAB 和 NumPy 上分析 EIG 函数,以比较我的 Macbook Pro(2 GHz,运行 OS X 10.6 的四核 i7)上的性能。与 MATLAB 相比,NumPy EI
我有一个稀疏的实数对称矩阵,我正在尝试将其分解为其 e.v.奇怪的是:如果我使用 eigs 计算前 20 个特征向量,我得到的结果与我计算前 50 个然后选出前 20 个的结果不同。 opts.v0
在 matlab 中,我使用函数“eigs()”获取大型矩阵 (5000x5000) 的几个(大约 10 个)最小特征向量。像这样: [V,UU] = eigs(A, 10,'sm'); 经过一番尝试
我正在尝试编写一个程序来获取任意大小的矩阵 A,然后 SVD 对其进行分解: A = U * S * V' 其中A是用户输入的矩阵,U是由A * A'的特征向量组成的正交矩阵,S是奇异值的对角矩阵,V
我正在尝试使用 eig 查找矩阵的特征值。我用示例数据定义矩阵: A = magic(5) A = 17 24 1 8 15 23 5 7 14
我正在使用 eigs() 函数(来自 Arpack 包)来查找稀疏矩阵的特征值(eigen() 不适用于备用矩阵)。显然,即使在非常简单的情况下,eigs() 也无法找到所有特征值: using Ar
我遇到了这个烦人的问题,但我还没有弄清楚。我有一个矩阵,我想找到特征向量,所以我写: val,vec = np.linalg.eig(mymatrix) 然后我得到了 vec 。我的问题是,当我小组中
我在 Matlab 中使用了一个函数: [V,D] = eig(C); 我看到 V 和 D 始终按升序排序。它总是这样还是应该在获得 V 和 D 值后对它们进行排序? 最佳答案 如果你想保证按升序排序
尝试使用 scipy 的 linalg.eig 来解决广义特征值问题。然后我检查我得到的解决方案,它似乎没有返回正确的特征向量。此外,文档表明返回的向量已归一化,但事实并非如此(尽管这并没有那么困扰我
考虑以下最小示例: function CoderEigFail() %#codegen A = [0 sqrt(2); sqrt(2) 0]; [B C] = eig(A) 当我通过 codegen
考虑以下最小示例: function CoderEigFail() %#codegen A = [0 sqrt(2); sqrt(2) 0]; [B C] = eig(A) 当我通过 codegen
我有一个关于 scipy.linalg.eig 如何计算左右特征向量的问题。也许我误解了一切,但事情似乎对我来说不对...... 从一开始就。为了获得特征值和两个特征向量,我使用了以下内容:ev, l
当我使用 numpy.linalg.eig 时 eValues, eVectors = numpy.linalg.eig(someMatrix) 返回的 eValues 几乎是按降序排列的。 nump
协方差矩阵的特征值应该是实数且非负,因为协方差矩阵是对称的和半正定的。 但是,请看下面的 scipy 实验: >>> a=np.random.random(5) >>> b=np.random.ran
我是一名优秀的程序员,十分优秀!