Optimization eigen是否有像H.transpose（）*H一样的自转置乘法优化

我已经在浏览了eigen的教程

上面说 “注意：对于担心性能的BLAS用户，c.noalias（）-=2*a.Adjunct（）*b；等表达式经过充分优化，并触发单个类似gemm的函数调用。”

但是像H.transpose（）*H这样的计算呢，因为它的结果是一个对称矩阵，所以它应该只需要普通a*B的一半时间，但在我的测试中，H.transpose（）*H与H.transpose（）*B花费相同的时间。eigen是否对这种情况有特殊的优化，像opencv一样，它有类似的功能

---

我知道对称优化会破坏矢量化，我只想知道eigen是否有解决方案可以同时提供对称优化和矢量化

你是对的，你需要告诉eigen结果是对称的：

Eigen:：MatrixXd H=Eigen:：MatrixXd:：Random（m，n）；
本征：：矩阵xxd Z=本征：：矩阵xxd：：零（n，n）；
Z.template selfadjointView（）.rankUpdate（H.transpose（））；

最后一行计算下三角部分内的

Z+=H*H^T

。上半部分保持不变。您需要完整的矩阵，然后将下半部分复制到上半部分：

Z.template triangularView（）=Z.transpose（）；

该

rankUpdate

例程完全矢量化，可与BLAS等效程序进行比较。对于小矩阵，最好执行完整乘积

---

另请参见相应的。

这绝对是我想要的，我已经对其进行了正确的测试，但在我的测试中，我认为Z.sefladjointView（）.rankUpdate（H）；意思是Z+=H*H'我说得对吗？对，如果你想要H'*H，那么调用

.rankUpdate（H.adjunct（））

。抱歉再次打扰您：）我遇到了一个问题，计算HAH'，哪个a=a'，那么有什么方法可以加速它吗？您可以像往常一样计算

B=H*a

，然后

Z.triangularView（）=B*H'

。这将只计算第二个乘积的一半。