Armadillo配置教程.doc

Armadillo配置及测试教程有时程序中会用到一些矩阵和向量运算，自己写代码不仅费时而且速度没有保证，网上有很多现成的库可以调用，没必要自己写。从速度和使用方便角度考虑，Armadillo C+库是个好选择。Armadillo的使用习惯非常类似Matlab，下面就介绍一下它在Visual Studio 2010中的配置和使用。1. 从官网/download.html下载文件，随便解压到某处(比如D:下)。可以看到里面有例子和库。比如我下载的是armadillo-4.200.0版本，解压后的文件夹中有以下文件：2. 在Visual Studio 2010中新建一个项目，类型是Win32控制台应用程序。确定后选择空项目即可，点完成。3. 完成后，在左侧“资源管理器”中的“源文件”上鼠标右击选择“添加”中的“新建项”。 然后选择“ C+文件”，随便输入一个文件名，点添加。4. 还是在左边“资源管理器”中在项目名上右键鼠标，选择“属性”：5. 进去后，选择左边的“VC+目录”，这里要修改2处：“包含目录”和“库目录”。a) “包含目录”要包含解压后文件夹中的include文件夹，比如我的就是D:armadillo-4.200.0includeb) “库目录”要包含Lapack库和Blas库。Lapack库和Blas库是很基础的线性代数库，好多其他的库和程序都用到他们，依靠他们才能跑起来，比如Matlab，Scilab。 Armadillo 不用Lapack和Blas库也能运行，但只能做简单的低维矩阵运算，比如加减乘，但是像矩阵逆，分解，求秩等都做不了，所以要包含这2个库。Armadillo已经自带了这两个库，他们在examples文件夹中的lib_win64里。不过它们是X64的。如果你的程序是X86的(也就是32位的)，是不能用64位的。你需要下载32位版本的Lapack和Blas，可以在这里下载Lapack和Blas库：我的网盘：/s/1eQoW3ei (32位和64位都有，已替你编译好了)或者 (要翻墙)/2013/10/blas-lapack-precompiled-binaries-for.html 下载后解压到任意位置，比如我的是D:lib_win32，在上图的“库目录”中找到并包含这个文件夹。都设置好后应该是这样的：6. 随后在“链接器”下面的“输入”页中，修改“附加依赖项”就是敲入对应Lapack库和Blas库的这2个lib文件的文件名即可，点确定。最后确定或回车。完成“属性页”的所有设置。7. 找到解压文件include文件夹中armadillo_bits里的config.hpp文件。比如我的在D:armadillo-4.200.0includearmadillo_bits目录下。去掉 #define ARMA_USE_LAPACK和#define ARMA_USE_BLAS前的注释，如下：8. 最后一步，在新建的cpp文件中随便写点程序，比如HelloWorld或者后面的测试代码，编译运行一下，然后将Lapack和Blas对应的dll复制到程序Debug或Release目录下(也就是编译生成的exe文件所在的文件夹，如下图)，比如我就是将D:lib_win32文件夹中的blas_win32_MTd.dll和lapack_win32_MTd.dll这2个文件复制到我的调试文件所在位置，D:ArmodilloTestDebug文件夹中。9. 好了，配置完成，可以使用Armodillo库了。使用时就是在程序中加入头文件#include armadillo和using namespace arma即可。10. 下面我们测试一下Armodillo的速度，并对比其他的软件。见下一页。Armadillo速度测试配置好以后自然想体验一下速度，下面就以矩阵求逆为例进行速度测试，代码如下：#include#include#include#include armadillousing namespace arma;using namespace std;int main(int argc, char* argv) mat A = randu(1000,1000); /创建一个1000X1000的随机矩阵A cout Elapsed time is endl; mat B; /声明一个矩阵B clock_t start=clock(); B=inv(A); /求A矩阵的逆 clock_t end=clock()-start; coutendendl; /输出求逆所需的时间 return 0; 这个例子是求一个10001000的随机矩阵的逆矩阵。测试前我们先大概估计一下可能的速度。10001000 = 106 也就是说矩阵一共有一百万项，每一项是0到1之间的浮点数。一般求逆矩阵的方法是高斯消去法，它的复杂度是，其中n指矩阵维数(细节可参考维基百科Gaussian elimination)。(不是真的只需要次运算，这只是估计，还有系数和低次项，这里我省略了)。所以最少需要10003=109次浮点运算，也就是10亿次运算的规模。一个常用的衡量电脑CPU计算速度的指标是：每秒运行的FLOPS(就是“浮点运算次数”的缩写)。家用电脑的速度一般在GFLOPS级别，也就是CPU一秒钟可以做个几十亿到上百亿次的浮点数的加减乘除(当然一次只能做4个中的一个)。比如我的笔记本CPU用SiSoftware Sandra软件测试的结果如下图：我的电脑CPU是P8700双核，正常发挥的速度是15GFLOPS左右，也就是每秒能做150亿次加减乘除。打个折就算100亿次吧，运行上面的矩阵求逆最少需要10亿除以100亿，也就是0.1秒的时间。我们可以用Matlab做个参考，由于Matlab用的库是Intel MKL库(是优化的Blas和Lapack库)，它的速度会快些。我的Matlab跑的结果是0.2秒多，有图为证：说明我们的估计还是挺靠谱的。下面看看Armadillo的表现(其实是Blas和Lapack的表现)。按下Ctrl+F5运行程序，结果是：1.154秒，5倍的差距。看来还是Matlab优化的好啊。再看一下其他软件的速度：1 Mathematica和Matlab类似，但更擅长符号运算，它的成绩是：0.20004秒(见下图)，可见Mathematica的数值计算能力也不在Matlab之下啊。2 Scilab也和Matlab类似，不过是开源的，它的成绩是：0.879秒比Matlab慢一点，原因是Scilab安装时让用户可以自己选择库，我安装的时候选择了Blas和Lapack而没有选Intel MKL。如果在安装时选择的是Intel MKL，如下图：Intel MKL的价格是499美元，提供免费试用版，但scilab在安装时会自动下载Intel MKL，不用我们再买了，直接用即可，这个跟Matlab一样。使用Intel MKL后scilab速度跟Matlab差不多了：0.254秒，见下图。3 还可以试试64位的Blas和Lapack库的速度，配置过程和前述大致一样，但有些细微差别，如下：在“生成”菜单下选择“配置管理器”在出来的“配置管理器”中修改： 左边的活动解决方案配置改为Release(Debug也可以)。 右边的活动解决方案平台选择“新建”，在出来的对话框中选择x64，如下图：然后重复前面在“属性页”中的修改，包括引入include文件，包含进lib文件(只不过这次是64位的了，这次我用了armadillo自带的) ，然后把dll复制到exe文件目录下，如图：运行一下，成绩是1.138秒，说明64位的速度和32位的差不多。4 有人说用Armadillo可以比Matlab快很多，看来这说法不太现实。快一点有可能，要是快很多就是瞎扯了(不涉及解释语言自身缺点的情况下)。毕竟Matlab已经优化的不错了，也接近CPU极限了，普通人的技术还是达不到这个水平的。有人说Armadillo结合OpenBLAS速度更快，但也差不多，如果真有人能做到快很多请发邮件给我()，我要膜拜一下。如果你对速度不满意，可以试试Intel MKL， Scilab里带了。如果想追求更极值的速度，可以借助显卡加速，速度还可以再提升1到2个数量级。5 Armadillo中各函数的使用方法可见：官网API Docs页面6 Armadillo的一些例子在下载文件中的examples文件夹中，它是用Visual Studio 2012编译的，如果低版本打不开可直接打开cpp文件复制到你的项目即可。7 如果你的速度比我的慢很多，很可能是你用的Blas和Lapack库不好，在网上找找换一个试试。8 想了解更多Armadillo的细节设置和使用，请阅读你下载后解压文件中的README.txt还可参考以下网页：1 http:/www.ru.is/kennarar/sigurdurh/Armadillo64hack.html2 http:/www.mir