使用 Eigen::Map<Eigen::MatrixXd> 作为 Eigen::MatrixXd 类型的函数参数

Question

简而言之，问题是如何通过

Eigen::Map<Eigen::MatrixXd>

一个函数的对象，它期望一个

Eigen::MatrixXd

目的。

---

更长的故事：

我有这个 C++ 函数声明

void npMatrix(const Eigen::MatrixXd &data, Eigen::MatrixXd &result);

连同这个实现

void npMatrix(const Eigen::MatrixXd &data, Eigen::MatrixXd &result)
{
//Just do s.th. with arguments
std::cout << data << std::endl;

result(1,1) = -5;
std::cout << result << std::endl;
}

我想使用 numpy.array 作为参数从 python 调用这个函数。为此，我使用了一个用 c++ 编写的包装函数

void pyMatrix(const double* p_data, const int dimData[],
                              double* p_result, const int dimResult[]);

它需要一个指向数据的指针、数据数组的大小、一个指向结果的指针以及结果数组的大小。数据指针指向内存的常量补丁，因为当为结果保留的内存补丁可写时，数据不会被更改。函数的实现

void pyMatrix(const double *p_data, const int dimData[], double *p_result, const int dimResult[])
{
Eigen::Map<const Eigen::MatrixXd> dataMap(p_data, dimData[0], dimData[1]);
Eigen::Map<Eigen::MatrixXd> resultMap(p_result, dimResult[0], dimResult[1]);

resultMap(0,0) = 100;

npMatrix(dataMap, resultMap);
}

分别为数据和结果定义了一个 Eigen::Map。Eigen::Map 允许访问原始内存作为一种 Eigen::Matrix。dataMap 是类型

<const Eigen::MatrixXd>

因为关联的内存是只读的；相比之下，resultMap 是类型

<Eigen::MatrixXd>

因为它必须是可写的。线

resultMap(0,0) = 100;

显示， resultMap 实际上是可写的。在将 dataMap 传递给需要 const Eigen::MatrixXd 的 npMatrix() 时，我找不到以相同方式传递 resultMap 的方法。我敢肯定，问题来自这样一个事实，即 npMatrix 的第一个参数是 const，而第二个不是。我发现的一个可能的解决方案是定义

Eigen::MatrixXd resultMatrix = resultMap;

并将这个 resutlMatrix 传递给 npMatrix()。但是，我想，这会创建一个副本，因此会破坏 Eigen::Map 的良好内存映射。所以我的问题是。

有没有办法将 Eigen:Map 传递给需要非常量 Eigen::MatrixXd 的函数？

附带说明：我可以更改 npMatrix 以期待 Eigen::Map，但由于在实际项目中，函数已经存在并经过测试，我宁愿不使用它们。

为了完成这个问题，这里是调用 pyMatrix() 的 python 文件

import ctypes as ct
import numpy as np
import matplotlib.pyplot as plt

# Load libfit and define input types
ct.cdll.LoadLibrary("/home/wmader/Methods/fdmb-refactor/build/pyinterface/libpyfit.so")
libfit = ct.CDLL("libpyfit.so")

libfit.pyMatrix.argtypes = [np.ctypeslib.ndpointer(dtype=np.float64, ndim=2),
                                                     np.ctypeslib.ndpointer(dtype=np.int32, ndim=1),
                                                     np.ctypeslib.ndpointer(dtype=np.float64, ndim=2, flags='WRITEABLE'),
                                                     np.ctypeslib.ndpointer(dtype=np.int32, ndim=1)
                                                     ]

data = np.array(np.random.randn(10, 2), dtype=np.float64, order='F')
result = np.zeros_like(data, dtype=np.float64, order='F')

libfit.pyMatrix(data, np.array(data.shape, dtype=np.int32),
                              result, np.array(result.shape, dtype=np.int32))

Answer 1

将其作为指向数据的普通指针传递，然后 Eigen::Map 将其映射到那里。或者，使用http://eigen.tuxfamily.org/dox/TopicFunctionTakingEigenTypes.htmltemplate <typename Derived>中的类似内容 ，但我个人的选择是第一个，因为最好使用不暴露每个 API 的所有顽固性的代码你用过。此外，您不会失去与 eigen 的兼容性，也不会失去与您（或其他任何人）以后可能使用的任何其他类型的库的兼容性。

我还发现了另一个技巧，可以在多种场合使用：

Eigen::MatrixXd a;
//lets assume a data pointer like double* DATA that we want to map
//Now we do 
new (&a) Eigen::Map<Eigen::Matrix<Double,Eigen::Dynamic,Eigen::Dynamic>> (DATA,DATA rows,DATA cols);

这将执行您所要求的操作，而不会浪费内存。我认为这是一个很酷的技巧，并且a将表现为矩阵Xd，但我还没有测试每种情况。它没有内存副本。但是，您可能需要a在分配之前将其调整为正确的大小。即使如此，编译器也不会在您请求操作时立即分配所有内存resize，因此也不会有大量无用的内存分配！

当心！调整大小操作可能会重新分配特征矩阵使用的内存！因此，如果您 ::Map 内存，但随后执行调整矩阵大小的操作，则它可能会映射到内存中的不同位置。