代码之家 › 专栏 › 技术社区 › Soo

指数平均法

eigen3 eigen

Soo · 技术社区 · 6 年前

const int N = 100;
const float alpha = 0.9;

Eigen::MatrixXf myVec = Eigen::MatrixXf::Random(N,1);
Eigen::MatrixXf symmetricMatrix(N, N);
for(int i=0; i<N; i++)
    for(int j=0; j<=i; j++)
        symmetricMatrix(i,j) = symmetricMatrix(j,i) =   i+j;

symmetricMatrix *= alpha;
symmetricMatrix += ((1-alpha)*myVec*myVec.adjoint());

它基本上实现了指数平均。我知道最后一行可以通过以下方式进行优化。

symmetricMatrix_copy.selfadjointView<Eigen::Upper>().rankUpdate(myVec, 1-alpha);

我想知道我是否能把最后两行有效地结合起来。简而言之,我想计算 A = alpha*A+(1-alpha)*(x*x') .

1 回复 | 直到 6 年前

chtz 6 年前

最重要的是,你应该申报 myVec 作为 Eigen::VectorXf -O3 -march=native -DNDEBUG .

你可以试试这些替代品(我用的是 A v 为了节省输入),哪一个最快可能取决于您的问题大小和CPU:

A.noalias() = alpha * A + (1.0f-alpha)*v*v.adjoint();
A.noalias() = alpha * A + (1.0f-alpha)*v.lazyProduct(v.adjoint());
A.noalias() = alpha * A + ((1.0f-alpha)*v).lazyProduct(v.adjoint());
A.noalias() = alpha * A + v.lazyProduct((1.0f-alpha)*v.adjoint());

A.triangularView<Eigen::Upper>() = alpha * A + (1.0f-alpha)*v*v.adjoint();
// or any `lazyProduct` as above.

不幸的是, .noalias() 和 .triangularView()

您还可以考虑计算:

A.selfadjointView<Eigen::Upper>().rankUpdate(v, (1.0f-alpha)/alpha);

每 N A 矩阵依据 pow(alpha, N)

推荐文章

NateM · 有效张量乘法

7 年前

avgn · 为什么我的特征代码不能扩展到更多线程

7 年前

beesleep · 保存为成员的SelfAdjointEigenSolver的结果在另一个作用域中重新初始化

7 年前

avgn · 特征稠密稀疏矩阵积是线程化的吗?

7 年前

Bubble · 特征FFT库

7 年前

Askold Ilvento · 在Eigen中应用逆换位

7 年前

jkjkjk · 带特征参数的模板推导

7 年前

shanksk · 通过参考传递的特征参数

7 年前

Graviton · 在C中构造模板函数时出现编译错误C2664和C2440++

7 年前

bergercookie Seivan · 包含另一个持有固定大小特征对象的实例的特征实例

7 年前