犰狳库是否会减慢矩阵运算的执行速度？ 我已经把MATLAB代码转换成C++来加速它，使用ARMADILO库来处理C++中的矩阵运算，但令人惊讶的是它比MATLAB代码慢10倍！p>

所以我测试了犰狳图书馆看看这是不是原因。下面的代码是一个简单的测试代码，它初始化两个矩阵，将它们相加，并将结果保存到一个新矩阵中。一段代码使用Armadillo库，另一段不使用。使用犰狳的部分速度太慢（请注意经过的时间）

它真的减慢了执行速度（尽管它应该加快执行速度），还是我遗漏了什么

#包括
#包括
#包括
#包括
使用名称空间std；
使用arma；
int main（）
{
自动启动=标准：：时钟：：高分辨率时钟：：现在（）；
双a[100][100]；
双b[100][100]；
双c[100][100]；
对于（int i=0；i<100；i++）
{
对于（int j=0；j<100；j++）
{
a[i][j]=1；
b[i][j]=1；
c[i][j]=a[i][j]+b[i][j]；
}
}
自动完成=标准：：时钟：：高分辨率时钟：：现在（）；
std:：chrono:：持续时间=完成-开始；
STD：CUT< P>我相信问题来自于你根本不使用犰狳。你唯一使用它来创建比普通的2D C++数组更复杂的变量，但实际上没有更多。A犰dio可以为你做的是非常快的矩阵运算，如<代码> C1= A1+B1；，没有循环。< /P>
但是如果你只是把它写成一个elemetwise操作，你就不会使用armadillo。这与使用MATLAB进行矩阵乘法是一样的，但是你自己编写矩阵乘法。那么你就不会使用MATLAB的库了！
我相信问题来自于你根本没有使用armadillo。你唯一使用它来创建varIILE比普通的2D C++数组复杂得多，但实际上没有更多。A犰dio可以为你做的是非常快的矩阵运算，如<代码> C1= A1+B1；< /C> >，没有循环。< /P>
但是如果你只是把它写成一个elemetwise操作，你就不用犰狳了。这和用MATLAB进行矩阵乘法是一样的，只是你自己写矩阵乘法。那么你就不用MATLAB的库了！
首先要确保启用了
blas
和
lapack
库e是位于的说明。
第二件事是，它可能是犰狳中更广泛的内存分配

#include<iostream>
#include<math.h>
#include<chrono>
#include<armadillo>
using namespace std;
using namespace arma;
int main()
 {
   double a[100][100];
   double b[100][100];
   double c[100][100];
   mat a1=ones(100,100);
   mat b1=ones(100,100);
   mat c1(100,100);

   auto start = std::chrono::high_resolution_clock::now();
   for (int i = 0; i < 100; i++)
     {
       for (int j = 0; j < 100; j++)
         {
           a[i][j] = 1;
           b[i][j] = 1;
           c[i][j] = a[i][j] + b[i][j];
         }
     }
   auto finish = std::chrono::high_resolution_clock::now();
   std::chrono::duration<double> elapsed = finish - start;
   std::cout << "Elapsed time: " << elapsed.count() << " s\n";

   auto start1 = std::chrono::high_resolution_clock::now();
   c1 = a1 + b1;
   auto finish1 = std::chrono::high_resolution_clock::now();
   std::chrono::duration<double> elapsed1 = finish1 - start1;
   std::cout << "Elapsed time: " << elapsed1.count() << " s\n";

   return 0;
}

我用（在Ubuntu 17.10中）编译了它：
g++prog.cpp-larmadillo
首先确保启用了
blas
和
lapack
库，并在中提供了说明。
第二件事是，它可能是犰狳中更广泛的内存分配

#include<iostream>
#include<math.h>
#include<chrono>
#include<armadillo>
using namespace std;
using namespace arma;
int main()
 {
   double a[100][100];
   double b[100][100];
   double c[100][100];
   mat a1=ones(100,100);
   mat b1=ones(100,100);
   mat c1(100,100);

   auto start = std::chrono::high_resolution_clock::now();
   for (int i = 0; i < 100; i++)
     {
       for (int j = 0; j < 100; j++)
         {
           a[i][j] = 1;
           b[i][j] = 1;
           c[i][j] = a[i][j] + b[i][j];
         }
     }
   auto finish = std::chrono::high_resolution_clock::now();
   std::chrono::duration<double> elapsed = finish - start;
   std::cout << "Elapsed time: " << elapsed.count() << " s\n";

   auto start1 = std::chrono::high_resolution_clock::now();
   c1 = a1 + b1;
   auto finish1 = std::chrono::high_resolution_clock::now();
   std::chrono::duration<double> elapsed1 = finish1 - start1;
   std::cout << "Elapsed time: " << elapsed1.count() << " s\n";

   return 0;
}

我用（在Ubuntu 17.10中）编译了它：
g++prog.cpp-larmadillo
可能重复@Wolfie感谢提供的链接，我已经检查过了，但我想问的是犰狳库是否会像我所附的代码那样减慢代码的速度。为什么你要使用库来帮助矩阵运算，然后手动完成矩阵运算？从MATLAB的角度来看，我不知道，但是你肯定想在使用犰狳时消除循环，并且做<代码>垫C1= A1+B1< /代码>？你的代码没有MATLAB，它与MATLAB的关系如何？@ Ma2014不是在C++中开发MATLAB代码，它是用C++做数学，与MATLAB没有关系。stest代码是用于矩阵运算的，因为它在引擎盖下使用了高度优化的库。如果你认为你可以编写比MATLAB更快的线性代数代码，要么你错了，要么你可以变得非常丰富。我打赌这是第一个；）可能重复的@Wolfie感谢提供的链接，我已经检查过了，但我想问的是arm是否adillo库可能会减慢代码的速度，就像我所附的代码一样。为什么您要使用库来帮助矩阵运算，然后手动完成矩阵运算？从MATLAB的角度来看，我不知道，但您肯定想在使用Armadillo和do
mat c1=a1+b1
时消除循环？您的代码没有mat实验室，它与MATLAB的关系是什么？@ MAH2014不是在C++中开发MATLAB代码，它是用C++做数学，与Matlab没有关系。而且Matlab是矩阵运算中最快的代码，因为它在引擎盖下使用了非常高的优化库。如果你认为你可以写得更快。耳朵代数代码比Matlab可以做的，要么你错了，要么你可以很丰富。我打赌它是第一个；如果我删除循环并简单地添加矩阵，它必须比不使用犰狳快，但它不是。毕竟，使用Matalo将Matlab代码转换成C++会加快它吗？我把代码替换为没有循环。@将代码从MATLAB转换为armadillo通常不会加快速度，这取决于您的问题。有时，根据手头的任务，将MATLAB转换为低级语言可以加快速度。但是armadillo专门用于线性代数运算，软件矩阵实验室做得非常好。但是没有“会更快吗”的真实答案因为它高度依赖于你的问题。所以如果我删除了循环并简单地添加矩阵，它必须比不使用犰狳快，但它不是。毕竟，使用Matalo将MATLAB代码转换成C++会加快它的速度吗？我把代码替换为没有循环。@ MAH2014 NO，将代码从Matlab转换为犰狳将不会加速它，取决于您的问题。有时，取决于手头的任务，将MATLAB转换为低级语言可以
Elapsed time: 0.000647521 s
Elapsed time: 0.000353198 s