C++ 加权外积的矢量化

我希望加速计算近似加权协方差

具体来说，我有一个

特征：：向量xd（N）w

和一个

特征：：矩阵xd（M，N）点

。我想计算

w（I）*points.col（I）*（points.col（I）.transpose（））

的和

我正在使用for循环，但想看看是否可以更快：

Eigen:：VectorXd w=Eigen:：VectorXd（N）；
特征：：矩阵xxd点=特征：：矩阵xxd（M，N）；
特征：：矩阵xxd tempMatrix=特征：：矩阵xxd（M，M）；
对于（int i=0；i

---

期待着看看能做些什么

以下方法应该有效：

Eigen::MatrixXd tempMatrix; // not necessary to pre-allocate
// assigning the product allocates tempMatrix if needed
// noalias() tells Eigen that no factor on the right aliases with tempMatrix
tempMatrix.noalias() = points * w.asDiagonal() * points.adjoint();

或直接：

Eigen::MatrixXd tempMatrix = points * w.asDiagonal() * points.adjoint();

如果

M

非常大，只需计算一面并复制它（如果需要）就可以大大加快速度：

如果你想这样做，你需要写：

Eigen::MatrixXd tempMatrix = Eigen::MatrixXd::Zero(M,M);

---

我想到两件事<代码>对齐方式和

std:：execution:：par

。也就是说，使用

std:：hardware\u destroctive\u interference\u size

对齐数据以避免错误共享。然后使用标准库使用执行策略

std:：execution:：par

@RHertel来处理数据。它们对于非复杂值是等效的。我喜欢编写

.adjunct（）

，当复杂结构需要它来保持一致性时（或者在我实际需要使代码通用的情况下）。实际上我使用了<代码>转置（）/<代码意外地在中间（改变了，并添加了一个注释）。

Eigen::MatrixXd tempMatrix = Eigen::MatrixXd(M,M);

Eigen::MatrixXd tempMatrix = Eigen::MatrixXd::Zero(M,M);