在Eigen::SparseMatrix的转置处的std::bad_alloc

std::bad_alloc at transpose of Eigen::SparseMatrix

本文关键字：bad std alloc 转置 Eigen SparseMatrix      更新时间：2023-10-16

我正在尝试计算以下内容：
A=X^t*X我使用的是Eigen:：SparseMatrix，在transpose（）操作中得到一个std:：bad_alloc错误：

Eigen::SparseMatrix<double> trans = sp.transpose();

sp也是一个特征：：稀疏矩阵矩阵，但它非常大，在一个较小的数据集上，命令

std::cout << "Rows: " << sp.rows() << std::endl;
std::cout << "Rows: " << sp.cols() << std::endl;

给出以下结果：

行数：2061565968
Cols:600

（在开始填充之前，我预先计算了这个矩阵的大小）

这样一个矩阵可以容纳多少个条目有限制吗？我使用的是一个带有g++的64位Linux系统

提前感谢

Alex

ggael的答案稍作修改：

在SparseMatrix的定义中，不能忽略选项，因此正确的typedef是

typedef SparseMatrix<double, 0, std::ptrdiff_t> SpMat;

0也可以交换为1，0表示列主，1表示行主

感谢您的帮助

默认情况下，Eigen::SparseMatrix使用int存储大小和索引（为了紧凑）。然而，对于如此庞大的行数，您需要对sp和sp.transpose():使用64个整数

typedef SparseMatrix<double, 0, std::ptrdiff_t> SpMat;

注意，你可以直接写：

SpMat sp, sp2;
sp2 = sp.transpose() * sp;

即使CCD_ 5无论如何都必须被评估为临时的。

我认为在当前状态下不可能回答您的问题。

有两件事。矩阵的大小——数学对象，以及它所占据的内存大小。在稠密矩阵中，它们几乎相同（线性相关）。但在稀疏情况下，内存占用与矩阵的大小无关，而是与非零元素的数量有关。

因此，从技术上讲，您有几乎无限的大小限制——等于Size类型。然而，当然，当涉及到（非零）元素的数量时，您仍然受到内存的约束。

很明显，你复制了一个矩阵。因此，您可以尝试计算矩阵对象需要保存的数据的大小，看看它是否适合您的内存。

这不是很琐碎，但文档说存储是一个非零元素的列表。因此，一个好的估计可能是(2*sizeof(Index)+sizeof(Scalar))*sp.nonZeros()-（x，y，value）。

你也可以在调用转置之前监控RAM的使用情况，如果你加倍，看看它是否在限制范围内

注意：换位可能不是罪魁祸首，而是operator=。也许你可以避免复制。

相关文章：