高性能 C++ 多維數組

Question

我正在尋找有關 C++ 的高性能多維數組庫/類的建議。 我真正需要的是：

• 動態分配具有在運行時確定的大小的數組的能力

• 訪問和修改單個數組值的能力（快速）

• 能夠使用簡單的數組算術，例如array1 = array2 + 2 * array3

• 一個維護良好的圖書館

我遇到了各種圖書館，包括：

• Blitz++ ，看起來正是我需要的，但似乎維護得不是很好（最新的穩定版本是 5 年前）

• Boost ，它不支持數組算術，與 Blitz++ 相比似乎相當慢。

• Jonn Bowman 的array.h沒有文檔。

是否有人對上述選項有任何其他建議或意見？

Answer 1

Eigen維護得非常好（至少現在每個月都會推出新版本）並支持您需要的其他操作。

Answer 2

這里有一個廣泛且相對較新的調查，包括基准。

我相信您可以通過將 Boost.UBlas 綁定到 LAPACK 或 Intel MKL 等基礎數值庫來加速它，但還沒有這樣做。

fwiw，似乎最常作為候選者出現的實現是 Boost.UBlas 和 MTL。 根據我的經驗，廣泛采用更有可能促進持續的支持和發展。

Answer 3

Necomi似乎提供了您想要的功能。

它包括對任意多維數的支持，其維度可以在運行時固定，提供對單個元素的快速訪問，同時還支持算術（以及其他）表達式。

Answer 4

• uBlas ，Boost 的一部分。 它提供完整的 BLAS 1-3 級，因此提供了許多數組算術函數。
• Armadillo似乎也是一個 C++ 線性代數庫，據我所知，它可以選擇性地使用 LAPACK/Atlas（這當然使它非常快速）。
• GNU 科學圖書館提供完整的 BLAS。 我不知道它有多快，或者它是否可以使用 LAPACK/Atlas。
• 如果你不需要比你列出的更花哨的東西，你可以很容易地自己包裝例如 Atlas 的 BLAS。 但是，如果您不必這樣做，您可能不想重新發明輪子。

Answer 5

又是一個無恥的自吹自擂，

https://github.com/dwwork/FortCpp/

我已經在 GitHub 上發布了我自己對這個問題的個人解決方案。 無論如何，我都不是 C++ 專家，但我想我至少會把它扔在那里。

Answer 6

也許你想試試我的“Multi”庫： https ://gitlab.com/correaa/boost-multi

• 動態分配具有在運行時確定的大小的數組的能力

    multi::array<int, 2> A({m, n});

• 訪問和修改單個數組值的能力（快速）

    A[i][j] += 42;

生成類似於A.base() + i*stride_1 + j*stride_2的機器代碼。 https://gitlab.com/correaa/boost-multi#whats-up-with-the-multiple-bracket-notation

• 能夠使用簡單的數組算術，例如array1 = array2 + 2 * array3

好吧，不是那樣，我決定將數組算術與數據結構分開。

話雖如此，該庫與 STL 算法非常兼容（如果您的步伐允許，它有一個使用 BLAS 的適配器）。

過度簡化有關訪問模式的一些問題，...

template<class T, class X, class Y>
auto axpy(T alpha, X const& x, Y&& y) -> Y&& {
    assert( extensions(x) == extensions(y) );
    std::transform(
        x.elements().begin(), x.elements().end(),
        y.elements().begin(), 
        y.elements().begin(),
        [&](auto const& ex, auto& ey) {return alpha*x + ey;}
    );
    return std::forward<Y>(y);
}
...

auto array1 = axpy(2, array2, +array3);  // array1 = 2*array2 + array3;  // unary + will make a modifiable copy before it starts.

• 一個維護良好的圖書館

我會盡可能地維護它，我也歡迎貢獻者。

Answer 7

從性能的角度來看，我嘗試過 boost::MultiArray 和 Armadillo。 兩者都不是很快，因為與數組或向量相比，它們的訪問時間都很慢，而且我能夠在諸如 x1(4:10) = x2(1:6) + x2(2:7) 之類的操作中擊敗這些包+ x2(3:8) 通過使用一個簡單的手動編碼循環（我確信在我的編譯器優化的幫助下）。 當您進入矩陣乘法時，這些包可能會通過 LAPACK 和 BLAS 提供一些好處，但您始終可以自己使用這些接口。

Answer 8

需要注意的是，這是無恥的自我推銷，

https://github.com/ndarray/ndarray

可能值得研究。

雖然它沒有提供優化的數學運算符，但它確實為此提供了 Eigen 接口。 它真正突出的地方在於通過 SWIG 或 Boost.Python 提供與 Python/NumPy 的互操作性。

Answer 9

也許像 BLAS 這樣的庫，一個 CBLAS 存在，但不記得在哪里。

http://www.netlib.org/blas/