用于C++的 NumPy 样式数组

NumPy style arrays for C++?

本文关键字：样式 数组 NumPy C++ 用于      更新时间：2023-10-16

是否有任何C++（或 C）库具有类似 NumPy 的数组，支持切片、矢量化操作、逐个元素添加和减去内容等？

这里有几个可能适合您需求的免费软件。

  1. GNU科学库是一个用C语言编写的GPL软件。因此，它具有类似 C 的分配和编程方式（指针等）。使用 GSLwrap，您可以在使用 GSL 的同时拥有C++编程方式。GSL有一个BLAS实现，但如果你想要更多的性能，你可以使用ATLAS而不是默认的CBLAS。

  2. boost/uBLAS 库是一个 BSL 库，用 C++ 编写并作为 boost 包分发。这是实施BLAS标准的一种C++方法。uBLAS带有一些线性代数函数，并且与ATLAS有一个实验绑定。

  3. eigen 是一个用 C++ 编写的线性代数库，在 MPL2 许可证（从版本 3.1.1 开始）或 LGPL3/GPL2（旧版本）下分发。这是一种C++编程方式，但比其他两种方式更集成（有更多的算法和数据结构可用）。Eigen声称比上面的BLAS实现更快，同时不遵循事实上的标准BLAS API。Eigen 似乎并没有在并行实现上投入太多精力。

  4. 犰狳是用于C++的LGPL3图书馆。它绑定了LAPACK（numpy使用的库）。它使用递归模板和模板元编程，这是一个很好的观点（我不知道其他库是否也在这样做？

  5. xtensor 是一个 BSD 许可的C++库。它提供了一个与NumPy非常相似的C++ API。请参阅备忘单 https://xtensor.readthedocs.io/en/latest/numpy.html。

如果您只想获取数据结构和基本线性代数，这些替代方案非常好。根据您对样式、许可证或系统管理挑战的品味（安装像 LAPACK 这样的大型库可能很困难），您可以选择最适合您需求的库。

试试张量。（参见 NumPy 到 Xtensor 备忘单）。

Xtensor 是一个C++库，用于使用多维数组表达式进行数值分析。

张量提供

  • 支持NUMPY样式广播的可扩展表达式系统。
  • 遵循C++标准库习语的 API。
  • 用于操作数组表达式和基于 Xtensor 构建的工具。

例

初始化二维数组并计算其一行和一维数组的总和。 

#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"
xt::xarray<double> arr1
  {{1.0, 2.0, 3.0},
   {2.0, 5.0, 7.0},
   {2.0, 5.0, 7.0}};
xt::xarray<double> arr2
  {5.0, 6.0, 7.0};
xt::xarray<double> res = xt::view(arr1, 1) + arr2;
std::cout << res;

输出

{7, 11, 14}

初始化一维数组并就地重塑它。

#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"
xt::xarray<int> arr
  {1, 2, 3, 4, 5, 6, 7, 8, 9};
arr.reshape({3, 3});
std::cout << arr;

输出

{{1, 2, 3},
 {4, 5, 6},
 {7, 8, 9}}

DyND 被设计成一个类似 NumPy 的C++库。广播、算术运算符和切片等功能都可以正常工作。另一方面，它仍然处于实验阶段，许多功能尚未实现。

以下是使用 DyND 数组在 C++ 中 de Casteljau 算法的简单实现：

#include <iostream>
#include <dynd/array.hpp>
using namespace dynd;
nd::array decasteljau(nd::array a, double t){
    size_t e = a.get_dim_size();
    for(size_t i=0; i < e-1; i++){
        a = (1.-t) * a(irange()<(e-i-1)) + t * a(0<irange());
    }
    return a;
}
int main(){
    nd::array a = {1., 2., 2., -1.};
    std::cout << decasteljau(a, .25) << std::endl;
}

不久前，我写了一篇博客文章，其中包含更多示例和对Fortran 90，C++中的DyND和Python中的NumPy语法的并排比较。

免责声明：我是当前的DyND开发人员之一。

这是一个

老问题。还是想回答。思想可能会帮助许多人，尤其是用C++编码的pydevs。

如果你已经使用过python numpy，那么NumCpp是一个不错的选择。它在语法上是简约的，并且具有与py numpy相似的功能或方法。

自述文件中的比较部分也非常非常酷。

NumCpp

nc::NdArray<int> arr = {{4, 2}, {9, 4}, {5, 6}};
arr.reshape(5, 3);
arr.astype<double>();

使用 LibTorch（C++ 的 PyTorch 前端）并感到高兴。

如果你想

使用多维数组（如numpy）进行图像处理或神经网络，你可以使用OpenCV cv::Mat和大量的图像处理算法。如果您只想将其用于矩阵操作，则只需编译相应的opencv模块即可减小大小并拥有微小的OpenCV库。

cv::Mat（矩阵）是一个n维数组，可用于存储各种类型的数据，例如RGB，HSV或灰度图像，具有实值或复数值的矢量，其他矩阵等。

垫子包含以下信息：width, height, type, channels, data, flags, datastart, dataend等。

它有几种矩阵操作方法。您可以在 CUDA 核心以及cv::cuda::GpuMat上创建的奖金。

考虑我想创建一个包含 10 行、20 列的矩阵，键入 CV_32FC3：

int R = 10, C = 20;
Mat m1; 
m1.create(R, C, CV_32FC3); //creates empty matrix
Mat m2(cv::Size(R, C), CV_32FC3); // creates a matrix with R rows, C columns with data type T where R and C are integers, 
Mat m3(R, C, CV_32FC3); // same as m2

奖金：

编译小巧紧凑的 opencv 库，只用于矩阵操作。其中一种方法就像本文中提到的一样。

或

使用以下 cmake 命令编译 OpenCV 源代码：

$ git clone https://github.com/opencv/opencv.git
$ cd opencv
$ git checkout <version you want to checkout>
$ mkdir build
$ cd build
$ cmake -D WITH_CUDA=OFF -D WITH_MATLAB=OFF -D BUILD_ANDROID_EXAMPLES=OFF -D BUILD_DOCS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_TESTS=OFF -DANDROID_STL=c++_shared -DBUILD_SHARED_LIBS=ON -D BUILD_opencv_objdetect=OFF -D BUILD_opencv_video=OFF -D BUILD_opencv_videoio=OFF -D BUILD_opencv_features2d=OFF -D BUILD_opencv_flann=OFF -D BUILD_opencv_highgui=OFF -D BUILD_opencv_ml=OFF -D BUILD_opencv_photo=OFF -D BUILD_opencv_python=OFF -D BUILD_opencv_shape=OFF -D BUILD_opencv_stitching=OFF -D BUILD_opencv_superres=OFF -D BUILD_opencv_ts=OFF -D BUILD_opencv_videostab=OFF -D BUILD_opencv_dnn=OFF -D BUILD_opencv_imgproc=OFF ..
$ make -j $nproc
$ sudo make install

试试这个例子：

 #include "opencv2/core.hpp"
 #include<iostream>
 int main()
 {
     std::cout << "OpenCV Version " << CV_VERSION << std::endl;
     int R = 2, C = 4;
     cv::Mat m1;
     m1.create(R, C, CV_32FC1); //creates empty matrix
     std::cout << "My Mat : n" << m1 << std::endl;
 }

使用以下命令编译代码：

$ g++ -std=c++11 opencv_mat.cc -o opencv_mat `pkg-config --libs opencv` `pkg-config --cflags opencv`

运行可执行文件：

$ ./opencv_mat
OpenCV Version 3.4.2
My Mat :
[0, 0, 0, 0;
 0, 0, 0, 0]

Eigen 是一个很好的线性代数库。

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

它很容易安装，因为它是一个仅标题库。它依靠模板来生成优化的代码。它自动矢量化矩阵运算。

它还完全支持系数运算，例如两个矩阵之间的"每元素乘法"。这是你需要的吗？

xtensor 很好，但我最终用 c++20 自己编写了一个迷你库作为玩具项目，同时试图保持界面尽可能简单。这是：https://github.com/gbalduzz/NDArray

示例代码：

using namespace nd;
NDArray<int, 2> m(3, 3); // 3x3 matrix
m = 2; // assign 2 to all
m(-1, all) = 1; // assign 1 to the last row.
auto tile = m(range{1, end}, range{1, end}); // 2x2 tile
std::sort(tile.begin(), tile.end());
std::cout << m; // prints [[2, 2, 2], [2, 1, 1], [1, 2, 2]]

它还没有提供将多个运算折叠在一起的花哨算术运算符，但您可以将任意 lambda 广播到一组具有相同形状的张量，或者使用延迟计算的算术运算符。

让我知道您对界面的看法以及它与其他选项的比较，以及是否有希望，您希望看到实现什么样的操作。

免费许可证，无依赖！

附录：我设法正确编译和运行 xtensor，结果是我的库在迭代视图时明显更快（2 到 3 倍）

Blitz++ 支持具有任意轴数的数组，而犰狳最多只支持三个（矢量、矩阵和立方体）。 特征仅支持向量和矩阵（不支持立方体）。 缺点是 Blitz++ 除了基本的入口运算和张量收缩之外没有线性代数函数。 开发似乎在一段时间前就已经放缓了，但也许这只是因为库做了它所做的事情，不需要进行太多更改。

VIGRA 包含一个很好的 N 维数组实现：

http://ukoethe.github.io/vigra/doc/vigra/Tutorial.html

我广泛使用它，发现它非常简单有效。它也只是标头，因此很容易集成到您的开发环境中。就API而言，这是我遇到的最接近使用NumPy的东西。

主要缺点是它不像其他那样被广泛使用，因此您不会在网上找到太多帮助。那个，它的名字很尴尬（尝试搜索它！

虽然 GLM 旨在轻松与 OpenGL 和 GLSL 进行网格化，但它是一个功能齐全的仅标头数学库，用于具有一组非常直观的接口C++。

它声明了向量和矩阵类型以及对它们的各种操作。

将两个矩阵相乘是一个简单的 （M1 * M2）。减去两个向量 （V1- V2）。

访问向量或矩阵中包含的值同样简单。例如，在声明一个 vec3 向量之后，可以使用 vector.x 访问它的第一个元素。 看看吧。

Eigen 是一个线性代数（矩阵、向量等）的模板库。它仅是标头且免费使用 （LGPL）。

GSL 很棒，它可以满足您的所有要求以及更多。 不过，它是在GPL下授权的。

相关文章：