我正在用非常大的对称矩阵 (~800mb) 做一些线性代数,我正在尝试几种不同的分解。目前,我正在实现 LDLT,我想利用它通过用 L^T 覆盖矩阵的上三角来将我的内存需求减半。尽管 Eigen 的文档并没有列出这样做,但在内部命名空间中有一些隐藏的方法可能会做我想做的事情。
这些方法可以在这些结构中找到:template<> struct ldlt_inplace<Lower>
和 template<> struct ldlt_inplace<Upper>
在
http://eigen.tuxfamily.org/dox/LDLT_8h_source.html
这些方法是我想要的,我说得对吗?我该如何使用它们?我是否应该避免使用它们,因为它们是内部的,因此可能会发生变化和弃用?
最佳答案
内部确实意味着此功能的原型(prototype)可能会在未来的版本中发生变化。 LDLT::compute() 方法是关于如何使用它的一个很好的例子:
Transpositions<Dynamic> T(mat.cols());
VectorXd temp(mat.cols());
int sign;
Eigen::internal::ldlt_inplace<Eigen::Lower>::unblocked(mat, T, temp, &sign);
编辑
在 Eigen 3.3 中,您可以使用 LDLT<Ref<MatrixXd> >
:
MatrixXd A;
LDLT<Ref<MatrixXd> > ldlt(A);
ldlt
然后将分解 A
在 A
内本身。查看doc了解详情。
关于c++ - 使用 Eigen 就地进行 LDLT 分解,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18153298/