Eigen::Tensor使用，定义高维矩阵

2024-09-01 18:08
文章标签 eigen tensor 高维 矩阵 定义 使用

本文主要是介绍Eigen::Tensor使用，定义高维矩阵，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在实际项目中，需要存储大于等于三维的矩阵，而平常中我们使用Eigen::MatrixXd二维数据，这里我们使用Eigen::Tensor来定义

1.Using the Tensor module
#include <unsupported/Eigen/CXX11/Tensor>
2.定义矩阵
2.一般矩阵

官方文档

  // 定义一个2x3x4大小的矩阵Eigen::Tensor<float, 3> a(2, 3, 4);// 初始化为0a.setZero();// 访问元素a(0, 1, 0) = 12.0f;for (int i = 0; i < 2; i++) {for (int j = 0; j < 3; j++) {for (int k = 0; k < 4; k++) {std::cout << a(i, j, k) << " ";}std::cout << std::endl;}std::cout << std::endl << std::endl;}// 输出维度std::cout<<a.dimension(0)<<" "<<a.dimension(1)<<" "<<a.dimension(2)<<std::endl;

上面输出结果

0 0 0 0 
12 0 0 0 
0 0 0 0 0 0 0 0 
0 0 0 0 
0 0 0 02 3 4
2.固定大小矩阵TensorFixedSize

参考官方解释

The fixed sized equivalent of Eigen::Tensor<float, 3> t(3, 5, 7); is Eigen::TensorFixedSize<float, Size<3,5,7>> t;

这里我们定义

  // 固定 大小的Size 2x3x4Eigen::TensorFixedSize<float, Eigen::Sizes<2, 3, 4>> b;// 每个元素都设置固定值b.setConstant(3.f);for (int i = 0; i < 2; i++) {for (int j = 0; j < 3; j++) {for (int k = 0; k < 4; k++) {std::cout << b(i, j, k) << " ";}std::cout << std::endl;}std::cout << std::endl << std::endl;}

结果如下

3 3 3 3 
3 3 3 3 
3 3 3 3 3 3 3 3 
3 3 3 3 
3 3 3 3
3.常用函数API

参考从零开始编写深度学习库（四）Eigen::Tensor学习使用及代码重构
1.维度

  Eigen::Tensor<float, 2> a(3, 4);std::cout << "Dims " << a.NumDimensions;//=> Dims 2

 　Eigen::Tensor<float, 2> a(3, 4);int dim1 = a.dimension(1);std::cout << "Dim 1: " << dim1;//=> Dim 1: 4

2.形状

  Eigen::Tensor<float, 2> a(3, 4);const Eigen::Tensor<float, 2>::Dimensions& d = a.dimensions();std::cout << "Dim size: " << d.size << ", dim 0: " << d[0]<< ", dim 1: " << d[1];//=> Dim size: 2, dim 0: 3, dim 1: 4

3.矩阵元素个数

  Eigen::Tensor<float, 2> a(3, 4);std::cout << "Size: " << a.size();//=> Size: 12

4.初始化

  /// 1.// setConstant(const Scalar& val)，用于把一个矩阵的所有元素设置成一个指定的常数。Eigen::Tensor<string, 2> a(2, 3);a.setConstant("yolo");std::cout << "String tensor: " << endl << a << endl << endl;//=>// String tensor:// yolo yolo yolo// yolo yolo yolo/// 2.// setZero() 全部置零a.setZero();/// 3.// setRandom() 随机初始化a.setRandom();std::cout << "Random: " << endl << a << endl << endl;//=>//Random://  0.680375    0.59688  -0.329554    0.10794// -0.211234   0.823295   0.536459 -0.0452059// 0.566198  -0.604897  -0.444451   0.257742/// 4.// setValues({..initializer_list}) 从列表、数据初始化Eigen::Tensor<float, 2> a(2, 3);a.setValues({{0.0f, 1.0f, 2.0f}, {3.0f, 4.0f, 5.0f}});std::cout << "a" << endl << a << endl << endl;//=>// a// 0 1 2// 3 4 5//如果给定的数组数据，少于矩阵元素的个数，那么后面不足的元素其值不变：Eigen::Tensor<int, 2> a(2, 3);a.setConstant(1000);a.setValues({{10, 20, 30}});std::cout << "a" << endl << a << endl << endl;//=>// a// 10   20   30// 1000 1000 1000

4.运算
参考Eigen Tensor详解【二】
4.1 一元运算

<Operation> operator-() 求相反数
<Operation> sqrt() 平方根
<Operation> rsqrt() 逆平方根
<Operation> square() 平方
<Operation> inverse()求逆
<Operation> exp()指数
<Operation> log() log运算
<Operation> abs() 绝对值
<Operation> pow(Scalar exponent)
<Operation> operator * (Scalar scale) 乘以某个值

 
void testUnary()
{Eigen::Tensor<int, 2> a(2, 3);a.setValues({ {0, 1, 8}, {27, 64, 125} });Eigen::Tensor<double, 2> b = a.cast<double>().pow(1.0 / 3.0);Eigen::Tensor<double, 2> sqrt = a.cast<double>().sqrt();Eigen::Tensor<double, 2> rsqrt = a.cast<double>().rsqrt();Eigen::Tensor<double, 2> square = a.cast<double>().square();Eigen::Tensor<double, 2> inverse = a.cast<double>().inverse();Eigen::Tensor<double, 2> exp = a.cast<double>().exp();Eigen::Tensor<double, 2> log = a.cast<double>().log();Eigen::Tensor<double, 2> abs = a.cast<double>().abs();Eigen::Tensor<int, 2> multiply = a * 2;std::cout << "a" << std::endl << a << std::endl <<std:: endl;
}

4.2 二元运算

<Operation> operator+(const OtherDerived& other)
<Operation> operator-(const OtherDerived& other)
<Operation> operator*(const OtherDerived& other)
<Operation> operator/(const OtherDerived& other)
<Operation> cwiseMax(const OtherDerived& other) //返回与原tensor同类型，同尺寸的tensor,且以两个原tensor的最大值填充
<Operation> cwiseMin(const OtherDerived& other)
//返回与原tensor同类型，同尺寸的tensor,且以两个原tensor的最小值填充
operator&&(const OtherDerived& other)
operator||(const OtherDerived& other)
operator<(const OtherDerived& other)
operator<=(const OtherDerived& other)
operator>(const OtherDerived& other)
operator>=(const OtherDerived& other)
operator==(const OtherDerived& other)
operator!=(const OtherDerived& other)

 
void testBinary()
{Eigen::Tensor<int, 2> a(2, 3);a.setValues({ {0, 1, 8}, {27, 64, 125} });Eigen::Tensor<int, 2> b = a * 3;std::cout << "a" << std::endl << a << std::endl << std::endl;std::cout << "b" << std::endl << b << std::endl << std::endl;std::cout << "a+b" << std::endl << a + b << std::endl << std::endl;std::cout << "a-b" << std::endl << a - b << std::endl << std::endl;std::cout << "a*b" << std::endl << a * b << std::endl << std::endl;std::cout << "a.cwiseMax(b)" << std::endl <<a.cwiseMax(b) << std::endl << std::endl;std::cout << "b.cwiseMax(a)" << std::endl << b.cwiseMax(a) << std::endl << std::endl;std::cout << "a.cwiseMin(b)" << std::endl << a.cwiseMin(b) << std::endl << std::endl;std::cout << "b.cwiseMin(a)" << std::endl << b.cwiseMin(a) << std::endl << std::endl;
}

4.3 三元运算和降维运算
看参考链接Eigen Tensor详解【二】

4.其他方式

参考Eigen构造使用三维矩阵
如果定义多维数据也可以使用Matrix模板来自定义，

Matrix<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>

Eigen::Matrix<Eigen::MatrixXd,1,1> a;
Eigen::Matrix<Eigen::Matrix<double,1,5>,1,1> a;Eigen::Matrix<Eigen::MatrixXd, 1, 1> a;//声明a，一个1*1矩阵
Eigen::MatrixXd b;      //声明b
b.setZero(1, 5); //对b初始化
b << 1, 2, 3, 4, 5;//对b赋值
a(0, 0) = b;//对a（0，0）赋值
std::cout << "a(0,0):  " << a(0, 0) << std::endl;//输出a（0，0）
std::cout << "b:  " << b << std::endl;//输出b
int row = a(0, 0).rows();//row为a(0,0)处矩阵的行维数
int col = a(0, 0).cols();//col为a(0,0)处矩阵的列维数
std::cout << "row:  " << row << "  col:  " << col << std::endl;//输出row和col值
参考

https://blog.csdn.net/hjimce/article/details/71710893
https://blog.csdn.net/fengshengwei3/article/details/103591178
http://eigen.tuxfamily.org/index.php?title=Tensor_support#Using_the_Tensor_module
https://eigen.tuxfamily.org/dox/unsupported/classEigen_1_1TensorFixedSize.html
https://zhuanlan.zhihu.com/p/148019818

这篇关于Eigen::Tensor使用，定义高维矩阵的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1127671。

相关文章

中文分词jieba库的使用与实景应用（一）

中文分词jieba库的使用与实景应用（一）

知识星球：https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义： 精确模式（默认模式）： 全模式： 搜索引擎模式： paddle 模式（基于深度学习的分词模式）： 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
Hadoop数据压缩使用介绍

Hadoop数据压缩使用介绍

一、压缩原则 （1）运算密集型的Job，少用压缩 （2）IO密集型的Job，多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1）为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器 2）要在Hadoop中启用压缩，可以配置如下参数
阅读更多...
Makefile简明使用教程

Makefile简明使用教程

文章目录 规则makefile文件的基本语法：加在命令前的特殊符号：.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具，常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
pdfmake生成pdf的使用

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据，将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
git使用的说明总结

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库：创建新文件夹，进入文件夹目录，执行指令 git init ，用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的
阅读更多...
【北交大信息所AI-Max2】使用方法

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡，拥有登录权限的账号密码，一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 （如果是1集群把75改成66） 交互式开发 执行器选Terminal 密码随便设一个（需记住） 工作空间：私有数据、全部文件 加速器选GeForce_RTX_2080_Ti
阅读更多...
hdu 4565 推倒公式+矩阵快速幂

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值： Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中： 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令： An=(a+b√)n A_n = (a +
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2