特征:矩阵行的计算规范比在向量上迭代计算它们慢

Eigen: Computing norms of matrix rowwise, is slower than computing them iteratively on vectors

本文关键字：计算 向量 迭代 特征 范比      更新时间：2023-10-16

我正在尝试使用eigen加速矢量规范的计算。

尝试以两种方式进行操作：

方式1：将向量分别存储在数组(std :: vector(

std::vector<Eigen::Matrix<double, 1, VECTOR_SIZE>> my_vectors(num_vectors);
Eigen::Matrix<double, Eigen::Dynamic, 1> norms(num_vectors, 1);
for (int i = 0 ; i < my_vectors.size() ; i++) {
    norms(i, 0) = my_vectors[i].norm();
}

方式2：将向量存储为同一矩阵的行并使用Rowwise Norm 

Eigen::Matrix<double, Eigen::Dynamic, VECTOR_SIZE> my_vectors(num_vectors, VECTOR_SIZE);
Eigen::Matrix<double, Eigen::Dynamic, 1> norms = my_vectors.rowwise().norm();

我很惊讶地看到， Way1 的速度很慢， Way2 甚至更慢。

我做错了什么吗？有没有办法更快地计算规范？

在我进行的另一项测试中，矢量减法也是如此。在单独的矢量上进行的迭代比将所有向量存储为矩阵行并使用.rowwise() - vector_to_subtract

将所有向量存储得比将所有向量存储的速度更快。

来自https://eigen.tuxfamily.org/dox/group__topicstorageorders.html

如果未指定存储订单，则eigen默认将其存储在列中。如果使用便利性Typedef(Matrix3f，arrayxxd等(之一。

我最好的猜测是内存访问问题：rowwise()可能在内存中进行了一堆"跳过"，即不读取连续区域 - 而单独存储每行不会遇到此问题。

警告：当我以最好的意图写下答案时，我无法自己测试，显然它会进一步放慢速度。感谢您测试这个想法。

相关文章：