Ubuntu 20.04下Eigen3安装与CMake项目配置全攻略附测试代码在科学计算和机器学习领域矩阵运算是最基础也是最频繁的操作之一。Eigen3作为一款高性能的C模板库专为线性代数、矩阵和向量运算设计广泛应用于计算机视觉、机器人学、物理仿真等领域。本文将全面介绍在Ubuntu 20.04系统中安装Eigen3的两种主流方法并详细讲解如何在CMake项目中正确配置Eigen3库最后通过一个完整的测试程序展示Eigen3的核心功能。1. Eigen3简介与安装准备Eigen3是一个纯头文件库这意味着它不需要编译即可使用只需包含相应的头文件即可。它支持固定大小和动态大小的矩阵运算提供了丰富的线性代数算法包括矩阵分解、求解线性方程组、特征值计算等。Eigen3的API设计优雅性能优异在许多场景下甚至可以与商业软件如MATLAB媲美。在开始安装之前建议先更新系统软件包列表sudo apt update sudo apt upgrade这将确保我们获取到最新的软件版本和依赖关系。同时检查系统中是否已安装CMake因为后续的项目配置需要用到cmake --version如果未安装可以通过以下命令安装sudo apt install cmake2. Eigen3的两种安装方式2.1 通过APT包管理器安装这是最简单快捷的安装方式适合大多数用户sudo apt install libeigen3-dev安装完成后头文件通常位于/usr/include/eigen3目录下。可以通过以下命令查看安装的版本cat /usr/include/eigen3/Eigen/src/Core/util/Macros.h | grep VERSIONAPT安装的优点是简单快捷依赖关系自动处理缺点是版本可能不是最新的Ubuntu 20.04默认仓库中的Eigen3版本通常是3.3.7。2.2 从源码编译安装如果需要最新版本的Eigen3或者需要自定义安装选项可以选择从源码编译安装首先从官网下载最新源码包wget https://gitlab.com/libeigen/eigen/-/archive/3.4.0/eigen-3.4.0.tar.gz tar -xzvf eigen-3.4.0.tar.gz cd eigen-3.4.0创建并进入构建目录mkdir build cd build配置并安装cmake .. sudo make install源码安装的头文件默认安装在/usr/local/include/eigen3目录。这种方式的优点是可以获取最新版本缺点是安装过程稍复杂可能需要手动处理依赖关系。提示两种安装方式可以共存但在使用时要注意头文件包含路径的优先级避免版本冲突。3. CMake项目配置Eigen3在CMake项目中使用Eigen3非常简单因为它是一个纯头文件库。下面是一个完整的CMakeLists.txt示例cmake_minimum_required(VERSION 3.5) project(EigenDemo) # 设置C标准 set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 查找Eigen3库 find_package(Eigen3 REQUIRED) # 添加可执行文件 add_executable(eigen_demo main.cpp) # 链接Eigen3 target_link_libraries(eigen_demo Eigen3::Eigen)如果Eigen3安装在非标准路径可以通过设置Eigen3_DIR变量指定路径set(Eigen3_DIR /path/to/eigen3/share/eigen3/cmake) find_package(Eigen3 REQUIRED)或者直接包含头文件路径include_directories(/usr/local/include/eigen3)4. Eigen3核心功能测试代码下面是一个展示Eigen3核心功能的完整示例程序#include iostream #include Eigen/Dense using namespace Eigen; using namespace std; int main() { // 1. 矩阵定义与初始化 Matrix3f m3 Matrix3f::Random(); MatrixXd m_dynamic(5, 3); m_dynamic 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11,12, 13,14,15; cout 固定大小矩阵3x3:\n m3 endl; cout 动态大小矩阵5x3:\n m_dynamic endl; // 2. 矩阵运算 Vector3f v(1, 2, 3); cout 矩阵向量乘法:\n m3 * v endl; Matrix3f m3_2 Matrix3f::Constant(2.0); cout 矩阵加法:\n m3 m3_2 endl; cout 矩阵乘法:\n m3 * m3_2 endl; // 3. 矩阵特殊操作 cout 转置:\n m3.transpose() endl; cout 共轭:\n m3.conjugate() endl; cout 伴随:\n m3.adjoint() endl; cout 行列式: m3.determinant() endl; cout 逆矩阵:\n m3.inverse() endl; // 4. 解线性方程组 Vector3f b(1, 2, 3); cout 解Axbx\n m3.colPivHouseholderQr().solve(b) endl; // 5. 特征值与特征向量 SelfAdjointEigenSolverMatrix3f eigensolver(m3); if (eigensolver.info() ! Success) abort(); cout 特征值:\n eigensolver.eigenvalues() endl; cout 特征向量:\n eigensolver.eigenvectors() endl; return 0; }5. 性能优化与高级用法Eigen3提供了多种性能优化手段合理使用可以显著提升计算效率内存对齐对于固定大小的矩阵和向量确保内存对齐可以提升性能Eigen::Matrixfloat, 3, 3, Eigen::RowMajor | Eigen::AutoAlign mat;表达式模板Eigen3使用表达式模板技术延迟计算避免不必要的临时对象// 高效的计算方式不会产生临时矩阵 MatrixXd result (m1 m2) * v;并行计算启用OpenMP支持可以加速大规模矩阵运算# 编译时添加OpenMP支持 g -fopenmp your_program.cpp -o your_program矩阵分块操作对大矩阵进行分块操作可以提高缓存利用率MatrixXf mat(1000, 1000); mat.block(0, 0, 100, 100) MatrixXf::Zero(100, 100);Map类将现有内存映射为Eigen矩阵避免数据拷贝float data[9] {1,2,3,4,5,6,7,8,9}; MapMatrix3f mat_map(data);6. 常见问题与解决方案在实际使用Eigen3过程中可能会遇到一些典型问题版本兼容性问题症状编译错误提示某些API不存在解决方案检查Eigen3版本修改代码或升级Eigen3内存对齐错误症状程序运行时出现段错误解决方案使用EIGEN_MAKE_ALIGNED_OPERATOR_NEW宏或动态内存分配性能不如预期可能原因没有开启编译器优化解决方案编译时添加-O2或-O3优化选项与STL容器结合使用的问题解决方案使用Eigen::aligned_allocator作为分配器std::vectorEigen::Vector4f, Eigen::aligned_allocatorEigen::Vector4f vec;与其他库的交互解决方案使用Eigen::Map在Eigen矩阵和其他库的数据结构之间建立映射7. Eigen3在实际项目中的应用案例Eigen3的强大功能使其在多个领域得到广泛应用计算机视觉相机标定中的矩阵运算三维重建中的线性代数计算特征提取与匹配机器人学机器人运动学中的变换矩阵计算控制算法中的矩阵运算传感器数据处理物理仿真刚体动力学中的矩阵运算有限元分析中的线性方程组求解流体力学模拟机器学习神经网络中的矩阵运算主成分分析(PCA)实现线性回归等算法的底层实现以下是一个简单的线性回归实现示例MatrixXd X(100, 3); // 特征矩阵 VectorXd y(100); // 目标值 // ... 填充数据 ... // 添加偏置项 MatrixXd X_with_bias(X.rows(), X.cols()1); X_with_bias MatrixXd::Ones(X.rows(), 1), X; // 计算回归系数: w (X^T X)^-1 X^T y VectorXd w (X_with_bias.transpose() * X_with_bias).ldlt().solve(X_with_bias.transpose() * y); cout 回归系数:\n w endl;8. Eigen3与其他数学库的比较在选择数学库时了解不同库的特点很重要。下面是Eigen3与其他流行数学库的对比特性Eigen3ArmadilloGSLLAPACK语言C模板库CCFortran/C许可证MPL2Apache 2.0GPLBSD头文件库是是否否语法友好度优秀优秀一般较差性能优秀良好良好优秀并行计算通过OpenMP通过OpenMP有限依赖实现GPU支持无无无通过CUDA库文档质量优秀良好一般一般Eigen3的主要优势在于其优雅的API设计、优秀的性能和方便的部署方式只需头文件。对于大多数C项目特别是需要频繁进行矩阵运算的场景Eigen3是一个非常理想的选择。
Ubuntu 20.04下Eigen3安装与CMake项目配置全攻略（附测试代码）
发布时间：2026/5/19 11:17:41
Ubuntu 20.04下Eigen3安装与CMake项目配置全攻略附测试代码在科学计算和机器学习领域矩阵运算是最基础也是最频繁的操作之一。Eigen3作为一款高性能的C模板库专为线性代数、矩阵和向量运算设计广泛应用于计算机视觉、机器人学、物理仿真等领域。本文将全面介绍在Ubuntu 20.04系统中安装Eigen3的两种主流方法并详细讲解如何在CMake项目中正确配置Eigen3库最后通过一个完整的测试程序展示Eigen3的核心功能。1. Eigen3简介与安装准备Eigen3是一个纯头文件库这意味着它不需要编译即可使用只需包含相应的头文件即可。它支持固定大小和动态大小的矩阵运算提供了丰富的线性代数算法包括矩阵分解、求解线性方程组、特征值计算等。Eigen3的API设计优雅性能优异在许多场景下甚至可以与商业软件如MATLAB媲美。在开始安装之前建议先更新系统软件包列表sudo apt update sudo apt upgrade这将确保我们获取到最新的软件版本和依赖关系。同时检查系统中是否已安装CMake因为后续的项目配置需要用到cmake --version如果未安装可以通过以下命令安装sudo apt install cmake2. Eigen3的两种安装方式2.1 通过APT包管理器安装这是最简单快捷的安装方式适合大多数用户sudo apt install libeigen3-dev安装完成后头文件通常位于/usr/include/eigen3目录下。可以通过以下命令查看安装的版本cat /usr/include/eigen3/Eigen/src/Core/util/Macros.h | grep VERSIONAPT安装的优点是简单快捷依赖关系自动处理缺点是版本可能不是最新的Ubuntu 20.04默认仓库中的Eigen3版本通常是3.3.7。2.2 从源码编译安装如果需要最新版本的Eigen3或者需要自定义安装选项可以选择从源码编译安装首先从官网下载最新源码包wget https://gitlab.com/libeigen/eigen/-/archive/3.4.0/eigen-3.4.0.tar.gz tar -xzvf eigen-3.4.0.tar.gz cd eigen-3.4.0创建并进入构建目录mkdir build cd build配置并安装cmake .. sudo make install源码安装的头文件默认安装在/usr/local/include/eigen3目录。这种方式的优点是可以获取最新版本缺点是安装过程稍复杂可能需要手动处理依赖关系。提示两种安装方式可以共存但在使用时要注意头文件包含路径的优先级避免版本冲突。3. CMake项目配置Eigen3在CMake项目中使用Eigen3非常简单因为它是一个纯头文件库。下面是一个完整的CMakeLists.txt示例cmake_minimum_required(VERSION 3.5) project(EigenDemo) # 设置C标准 set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 查找Eigen3库 find_package(Eigen3 REQUIRED) # 添加可执行文件 add_executable(eigen_demo main.cpp) # 链接Eigen3 target_link_libraries(eigen_demo Eigen3::Eigen)如果Eigen3安装在非标准路径可以通过设置Eigen3_DIR变量指定路径set(Eigen3_DIR /path/to/eigen3/share/eigen3/cmake) find_package(Eigen3 REQUIRED)或者直接包含头文件路径include_directories(/usr/local/include/eigen3)4. Eigen3核心功能测试代码下面是一个展示Eigen3核心功能的完整示例程序#include iostream #include Eigen/Dense using namespace Eigen; using namespace std; int main() { // 1. 矩阵定义与初始化 Matrix3f m3 Matrix3f::Random(); MatrixXd m_dynamic(5, 3); m_dynamic 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11,12, 13,14,15; cout 固定大小矩阵3x3:\n m3 endl; cout 动态大小矩阵5x3:\n m_dynamic endl; // 2. 矩阵运算 Vector3f v(1, 2, 3); cout 矩阵向量乘法:\n m3 * v endl; Matrix3f m3_2 Matrix3f::Constant(2.0); cout 矩阵加法:\n m3 m3_2 endl; cout 矩阵乘法:\n m3 * m3_2 endl; // 3. 矩阵特殊操作 cout 转置:\n m3.transpose() endl; cout 共轭:\n m3.conjugate() endl; cout 伴随:\n m3.adjoint() endl; cout 行列式: m3.determinant() endl; cout 逆矩阵:\n m3.inverse() endl; // 4. 解线性方程组 Vector3f b(1, 2, 3); cout 解Axbx\n m3.colPivHouseholderQr().solve(b) endl; // 5. 特征值与特征向量 SelfAdjointEigenSolverMatrix3f eigensolver(m3); if (eigensolver.info() ! Success) abort(); cout 特征值:\n eigensolver.eigenvalues() endl; cout 特征向量:\n eigensolver.eigenvectors() endl; return 0; }5. 性能优化与高级用法Eigen3提供了多种性能优化手段合理使用可以显著提升计算效率内存对齐对于固定大小的矩阵和向量确保内存对齐可以提升性能Eigen::Matrixfloat, 3, 3, Eigen::RowMajor | Eigen::AutoAlign mat;表达式模板Eigen3使用表达式模板技术延迟计算避免不必要的临时对象// 高效的计算方式不会产生临时矩阵 MatrixXd result (m1 m2) * v;并行计算启用OpenMP支持可以加速大规模矩阵运算# 编译时添加OpenMP支持 g -fopenmp your_program.cpp -o your_program矩阵分块操作对大矩阵进行分块操作可以提高缓存利用率MatrixXf mat(1000, 1000); mat.block(0, 0, 100, 100) MatrixXf::Zero(100, 100);Map类将现有内存映射为Eigen矩阵避免数据拷贝float data[9] {1,2,3,4,5,6,7,8,9}; MapMatrix3f mat_map(data);6. 常见问题与解决方案在实际使用Eigen3过程中可能会遇到一些典型问题版本兼容性问题症状编译错误提示某些API不存在解决方案检查Eigen3版本修改代码或升级Eigen3内存对齐错误症状程序运行时出现段错误解决方案使用EIGEN_MAKE_ALIGNED_OPERATOR_NEW宏或动态内存分配性能不如预期可能原因没有开启编译器优化解决方案编译时添加-O2或-O3优化选项与STL容器结合使用的问题解决方案使用Eigen::aligned_allocator作为分配器std::vectorEigen::Vector4f, Eigen::aligned_allocatorEigen::Vector4f vec;与其他库的交互解决方案使用Eigen::Map在Eigen矩阵和其他库的数据结构之间建立映射7. Eigen3在实际项目中的应用案例Eigen3的强大功能使其在多个领域得到广泛应用计算机视觉相机标定中的矩阵运算三维重建中的线性代数计算特征提取与匹配机器人学机器人运动学中的变换矩阵计算控制算法中的矩阵运算传感器数据处理物理仿真刚体动力学中的矩阵运算有限元分析中的线性方程组求解流体力学模拟机器学习神经网络中的矩阵运算主成分分析(PCA)实现线性回归等算法的底层实现以下是一个简单的线性回归实现示例MatrixXd X(100, 3); // 特征矩阵 VectorXd y(100); // 目标值 // ... 填充数据 ... // 添加偏置项 MatrixXd X_with_bias(X.rows(), X.cols()1); X_with_bias MatrixXd::Ones(X.rows(), 1), X; // 计算回归系数: w (X^T X)^-1 X^T y VectorXd w (X_with_bias.transpose() * X_with_bias).ldlt().solve(X_with_bias.transpose() * y); cout 回归系数:\n w endl;8. Eigen3与其他数学库的比较在选择数学库时了解不同库的特点很重要。下面是Eigen3与其他流行数学库的对比特性Eigen3ArmadilloGSLLAPACK语言C模板库CCFortran/C许可证MPL2Apache 2.0GPLBSD头文件库是是否否语法友好度优秀优秀一般较差性能优秀良好良好优秀并行计算通过OpenMP通过OpenMP有限依赖实现GPU支持无无无通过CUDA库文档质量优秀良好一般一般Eigen3的主要优势在于其优雅的API设计、优秀的性能和方便的部署方式只需头文件。对于大多数C项目特别是需要频繁进行矩阵运算的场景Eigen3是一个非常理想的选择。
