C++ 特征库中特征解算器的性能

我刚下载了最新的Eigen lib版本

本征解算器的算式（o）n^3..通常与矩阵乘法相同

S、 为什么如果我有500*500矩阵，计算EVD的时间大约是15-30 秒..矩阵乘以大约10秒

在矩阵大小为2450*2450的情况下，EVD时间约为35！分钟

矩阵乘法的时间大约是65秒

 LOGD( "This isf beging EVD  matA ");
    if(matA.cols()>2000){
        Eigen::SelfAdjointEigenSolver<Eigen::MatrixXd> esSelf(DATA);
        D =esSelf.eigenvalues().asDiagonal();
        matV =esSelf.eigenvectors();
    }else{

        EigenSolver<MatrixXd> ess0(DATA);
        D = ess0.pseudoEigenvalueMatrix();
        matV = ess0.pseudoEigenvectors();

    }
    LOGD( "This isf END EVD  matA ");

LOGD（“此isf beging EVD matA”）；
如果（matA.cols（）>2000）{
特征：：自伴特征解算器esSelf（数据）；
D=自身特征值（）.作为对角线（）；
matV=esSelf.特征向量（）；
}否则{
特征解算器ess0（数据）；
D=ess0.伪特征矩阵（）；
matV=ess0.伪特征向量（）；
}
LOGD（“本isf结束EVD matA”）；

我不知道具体细节，但o（n^3）是一个非常昂贵的算法。两者都是o（n^3），这是真的（请记住，Landau符号抑制常数因子）。但在内存访问模式和缓存局部性方面，特征解算器的行为与矩阵乘法完全不同。矩阵乘法在大型矩阵中几乎可以完美缩放，因此，一旦矩阵大小超过~1-2k，计算EVD就会出现缓存未命中。是否在启用优化的情况下编译？与OpenMP

-f OpenMP

、速度

-O3

、发布

-DEIGEN\u NO\u DEBUG

的并行处理类似？这些是g++/clang++的标志，不确定VC对应的标志。请参阅以获取基准。这些测试是在一个具有32kB一级缓存的CPU上执行的，您可以清楚地看到这是不够的。为了计算更大矩阵的EVD，您需要一个具有更大一级缓存的CPU，否则您将受到一级未命中的严重限制，并且无法正确利用FPU。没有其他方法可以加速EVD的计算。你有权利：我发现：