Массивы стиля NumPy для с ++? [закрыто]

Существуют ли какие-либо библиотеки C ++ (или C) с массивами, подобными NumPy, с поддержкой нарезки, векторизованных операций, добавления и вычитания содержимого по элементам и т. Д.?

Вот несколько бесплатных программ, которые могут удовлетворить ваши потребности.

1. GNU Scientific Library является GPL программное обеспечение , написанное на языке C. Таким образом, он имеет С-подобного распределения и способ программирования (указатели и т.д.). С GSLwrap вы можете программировать на C ++, продолжая использовать GSL. GSL имеет реализацию BLAS , но вы можете использовать ATLAS вместо CBLAS по умолчанию, если хотите еще больше производительности.

2. Библиотека boost / uBLAS - это библиотека BSL, написанная на C ++ и распространяемая как пакет boost. Это C ++ - способ реализации стандарта BLAS. uBLAS поставляется с несколькими функциями линейной алгебры, и есть экспериментальная привязка к ATLAS .

3. eigen - это библиотека линейной алгебры, написанная на C ++, распространяется по лицензии MPL2 (начиная с версии 3.1.1) или LGPL3 / GPL2 (более старые версии). Это способ программирования на C ++, но более интегрированный, чем два других (доступно больше алгоритмов и структур данных). Eigen утверждает, что работает быстрее, чем реализации BLAS, описанные выше, но при этом не соответствует стандарту де-факто BLAS API. Эйген, похоже, не прилагает много усилий для параллельной реализации.

4. Armadillo - это библиотека LGPL3 для C ++. Он имеет привязку к LAPACK (библиотека, используемая numpy). Он использует рекурсивные шаблоны и метапрограммирование шаблонов, что является хорошим моментом (я не знаю, делают ли это и другие библиотеки?).

5. xtensor - это библиотека C ++, имеющая лицензию BSD. Он предлагает API C ++, очень похожий на API NumPy. См. Https://xtensor.readthedocs.io/en/latest/numpy.html для шпаргалки.

Эти альтернативы действительно хороши, если вы просто хотите получить структуры данных и базовую линейную алгебру. В зависимости от вашего вкуса в отношении стиля, лицензии или проблем системного администратора (установка больших библиотек, таких как LAPACK, может быть сложной), вы можете выбрать ту, которая лучше всего соответствует вашим потребностям.

Попробуйте xtensor . (См. Шпаргалку от NumPy к Xtensor ).

xtensor - это библиотека C ++, предназначенная для численного анализа с многомерными выражениями массивов.

xtensor обеспечивает

• расширяемая система выражений, обеспечивающая трансляцию в стиле numpy.
• API, следующий идиомам стандартной библиотеки C ++.
• инструменты для управления выражениями массивов и построения на основе xtensor.

пример

Инициализируйте двумерный массив и вычислите сумму одной из его строк и одномерного массива.

#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"

xt::xarray<double> arr1
  {{1.0, 2.0, 3.0},
   {2.0, 5.0, 7.0},
   {2.0, 5.0, 7.0}};

xt::xarray<double> arr2
  {5.0, 6.0, 7.0};

xt::xarray<double> res = xt::view(arr1, 1) + arr2;

std::cout << res;

Выходы

{7, 11, 14}

Инициализируйте одномерный массив и измените его форму на месте.

#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"

xt::xarray<int> arr
  {1, 2, 3, 4, 5, 6, 7, 8, 9};

arr.reshape({3, 3});

std::cout << arr;

Выходы

{{1, 2, 3},
 {4, 5, 6},
 {7, 8, 9}}

DyND разработан как NumPy-подобная библиотека для C ++. Такие вещи, как трансляция, арифметические операторы и нарезка, работают нормально. С другой стороны, это все еще очень экспериментальная и многие функции еще не были реализованы.

Вот простая реализация алгоритма де Кастельжау на C ++ с использованием массивов DyND:

#include <iostream>
#include <dynd/array.hpp>

using namespace dynd;

nd::array decasteljau(nd::array a, double t){
    size_t e = a.get_dim_size();
    for(size_t i=0; i < e-1; i++){
        a = (1.-t) * a(irange()<(e-i-1)) + t * a(0<irange());
    }
    return a;
}

int main(){
    nd::array a = {1., 2., 2., -1.};
    std::cout << decasteljau(a, .25) << std::endl;
}

Некоторое время назад я написал сообщение в блоге с большим количеством примеров и параллельным сравнением синтаксиса для Fortran 90, DyND в C ++ и NumPy в Python.

Отказ от ответственности: я один из текущих разработчиков DyND.

Eigen - хорошая библиотека линейной алгебры.

http://eigen.tuxfamily.org/index.php?title=Main_Page

Его довольно легко установить, поскольку это библиотека только для заголовков. Он полагается на шаблон для создания хорошо оптимизированного кода. Он автоматически векторизует матричные операции.

Он также полностью поддерживает операции с коэффициентами, такие как, например, «умножение на элемент» между двумя матрицами. Это то, что вам нужно?

Blitz ++ поддерживает массивы с произвольным количеством осей, тогда как Armadillo поддерживает до трех (векторы, матрицы и кубы). Eigen поддерживает только векторы и матрицы (не кубы). Обратной стороной является то, что Blitz ++ не имеет функций линейной алгебры, кроме базовых операций на входе и тензорных сокращений. Кажется, что некоторое время назад разработка замедлилась, но, возможно, это только потому, что библиотека делает то, что делает, и не нужно вносить много изменений.

xtensor хорош, но в итоге я сам написал мини-библиотеку в виде игрушечного проекта на C ++ 20, стараясь при этом сделать интерфейс максимально простым. Вот он: https://github.com/gbalduzz/NDArray

Пример кода:

using namespace nd;
NDArray<int, 2> m(3, 3); // 3x3 matrix
m = 2; // assign 2 to all
m(-1, all) = 1; // assign 1 to the last row.

auto tile = m(range{1, end}, range{1, end}); // 2x2 tile
std::sort(tile.begin(), tile.end());

std::cout << m; // prints [[2, 2, 2], [2, 1, 1], [1, 2, 2]]

В нем пока нет причудливых арифметических операторов, объединяющих несколько операций вместе, но вы можете транслировать произвольные лямбды на набор тензоров той же формы или использовать арифметические операторы с отложенным вычислением.

Дайте мне знать, что вы думаете об интерфейсе и как он соотносится с другими вариантами, и если есть надежда, какие операции вы хотели бы реализовать.

Бесплатная лицензия и никакой зависимости!

Дополнение: мне удалось правильно скомпилировать и запустить xtensor, и в результате моя библиотека стала значительно быстрее при повторении представлений (от 2 до 3X).

VIGRA содержит хорошую реализацию N-мерного массива:

http://ukoethe.github.io/vigra/doc/vigra/Tutorial.html

Я широко им пользуюсь и считаю его очень простым и эффективным. Это также только заголовок, поэтому его очень легко интегрировать в среду разработки. Это самое близкое к использованию NumPy с точки зрения API.

Основным недостатком является то, что он не так широко используется, как другие, поэтому вы не найдете большой помощи в Интернете. Это, и у него неуклюжее название (попробуйте поискать!)

Используйте LibTorch (интерфейс PyTorch для C ++) и будьте счастливы.

Это старый вопрос. Все еще хотелось ответить. Мысль может помочь многим, особенно кодированию pydevs на C ++.

Если вы уже работали с python numpy, то NumCpp - отличный выбор. Он минималистичен по синтаксису и имеет те же функции и методы, что и py numpy.

Часть сравнения в readme doc тоже очень-очень классная.

NumCpp

nc::NdArray<int> arr = {{4, 2}, {9, 4}, {5, 6}};
arr.reshape(5, 3);
arr.astype<double>();

Eigen - это библиотека шаблонов для линейной алгебры (матрицы, векторы…). Это только заголовок и бесплатное использование (LGPL).

Если вы хотите использовать многомерный массив (например, numpy) для обработки изображений или нейронной сети, вы можете использовать OpenCV cv::Matвместе с множеством алгоритмов обработки изображений. Если вы просто хотите использовать его ТОЛЬКО для матричных операций, вам просто нужно скомпилировать соответствующие модули opencv, чтобы уменьшить размер и иметь крошечную библиотеку OpenCV.

cv::Mat(Матрица) - это n-мерный массив, который можно использовать для хранения различных типов данных, таких как изображения RGB, HSV или в градациях серого, векторы с действительными или комплексными значениями, другие матрицы и т. Д.

Коврик содержит следующую информацию: width, height, type, channels, data, flags, datastart, dataendи так далее.

В нем есть несколько методов манипулирования матрицей. Бонус вы можете создать как на ядрах CUDA, так и на cv::cuda::GpuMat.

Предположим, я хочу создать матрицу с 10 строками и 20 столбцами типа CV_32FC3:

int R = 10, C = 20;
Mat m1; 
m1.create(R, C, CV_32FC3); //creates empty matrix

Mat m2(cv::Size(R, C), CV_32FC3); // creates a matrix with R rows, C columns with data type T where R and C are integers, 

Mat m3(R, C, CV_32FC3); // same as m2

БОНУС:

Скомпилируйте крошечную и компактную библиотеку opencv только для матричных операций. Один из способов похож на упомянутый в этой статье.

ИЛИ ЖЕ

скомпилируйте исходный код opencv, используя следующую команду cmake:

$ git clone https://github.com/opencv/opencv.git
$ cd opencv
$ git checkout <version you want to checkout>
$ mkdir build
$ cd build
$ cmake -D WITH_CUDA=OFF -D WITH_MATLAB=OFF -D BUILD_ANDROID_EXAMPLES=OFF -D BUILD_DOCS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_TESTS=OFF -DANDROID_STL=c++_shared -DBUILD_SHARED_LIBS=ON -D BUILD_opencv_objdetect=OFF -D BUILD_opencv_video=OFF -D BUILD_opencv_videoio=OFF -D BUILD_opencv_features2d=OFF -D BUILD_opencv_flann=OFF -D BUILD_opencv_highgui=OFF -D BUILD_opencv_ml=OFF -D BUILD_opencv_photo=OFF -D BUILD_opencv_python=OFF -D BUILD_opencv_shape=OFF -D BUILD_opencv_stitching=OFF -D BUILD_opencv_superres=OFF -D BUILD_opencv_ts=OFF -D BUILD_opencv_videostab=OFF -D BUILD_opencv_dnn=OFF -D BUILD_opencv_imgproc=OFF ..
$ make -j $nproc
$ sudo make install

Попробуйте этот пример:

 #include "opencv2/core.hpp"
 #include<iostream>

 int main()
 {
     std::cout << "OpenCV Version " << CV_VERSION << std::endl;

     int R = 2, C = 4;
     cv::Mat m1;
     m1.create(R, C, CV_32FC1); //creates empty matrix

     std::cout << "My Mat : \n" << m1 << std::endl;
 }

Скомпилируйте код с помощью следующей команды:

$ g++ -std=c++11 opencv_mat.cc -o opencv_mat `pkg-config --libs opencv` `pkg-config --cflags opencv`

Запускаем исполняемый файл:

$ ./opencv_mat

OpenCV Version 3.4.2
My Mat :
[0, 0, 0, 0;
 0, 0, 0, 0]

GSL велик, он делает все , что вы просите , и многое другое. Однако он распространяется под лицензией GPL.

Хотя GLM разработан для простого взаимодействия с OpenGL и GLSL, это полнофункциональная математическая библиотека только для заголовков для C ++ с очень интуитивно понятным набором интерфейсов.

Он объявляет векторные и матричные типы, а также различные операции с ними.

Умножение двух матриц выполняется просто как (M1 * M2). Вычитание двух векторов (V1-V2).

Доступ к значениям, содержащимся в векторах или матрицах, также прост. Например, после объявления вектора vec3 можно получить доступ к его первому элементу с помощью vector.x. Проверить это.