1. 矩陣運算最簡單的方法是使用matlib，因為在matlib中, 矩陣是基本的資料型別，其語法與數**算基本一致，所以適合新手入手，但matlib也有很多不足之處。比如軟體比較龐大，收費，以及效率等問題。
2. 使用python的numpy庫，幾乎能代替matlib，但是程式的除錯難度上公升了一些，花的時間增加了。優點是輕量，部署效率高，能夠快速放到伺服器上跑，同時有一些第三方的輪子。缺點是python本身的效率也偏低。
3. 選擇fortran和c++傳統編譯形語言
相對於 fortran，用 c++ 做數值計算的乙個缺陷就是語言本身（或標準庫） 沒有矩陣型別（以及高維矩陣型別）．而且在c++中使用第三方庫的難度要比python中難一些，linux環境下可能更容易。
1.這一段中錯誤比較多，直接定義的c++陣列是在stack中定義的，在heap中定義需要new，更簡單的辦法是直接定義為全域性變數，即在heap中。
2. vector效率低的原因，已經說得很清楚了。lapack庫這裡引入的比較突兀。
3. 目前2023年，eigen3應該是c++中比較流行的矩陣運算庫，大名鼎鼎的tensorflow基於eigen3開發。eigen3的配置只需要標頭檔案，在linux/mac os環境非常容易。缺點是編寫c++語言，開發難度會提高，開發效率會降低，除錯難度會變大，報錯比較複雜。但程式的穩定性，健壯性，效率會提高。一般如果要追求效率，會先用matlib/python實現演算法，然後在移植到c++上做開發。
這裡要明白，直接寫乙個矩陣計算的時間複雜度是o(n^3), 在演算法導論上，有通過分治法（分塊矩陣的辦法）將時間複雜度優化o(n^2.367), 這裡n是矩陣的維數。對於稀疏矩陣，更是可以將時間複雜度提到o(n), 另外，存在一系列的演算法，來提高矩陣乘法的效率。另一方面，可以通過多核cpu的優化進一步提高矩陣相乘的效率。此不難理解為什麼底層就是乙個blas這樣的介面，blas介面存在各種各樣的實現，所以矩陣乘法也可以看做乘法的一種，是一種底層實現。
由此不難理解，lapack和eigen本質上都是基於底層blas介面實現更高階的線性代數執行操作。
MATLAB數值運算，矩陣運算
按線性代數的要求來做 加減要各個維度相等 同型矩陣 相乘要保證前矩陣的行維數 後矩陣的列維數。ns 乘 sm a b a inv b 倒數相當於逆，可以不是同型矩陣，如齊次線性方程求解 a b inv a b 左右除法不一樣 乘方運算 a b b為正整數時，表示a矩陣自乘b次 b為負整數時，可以先將...
bash中的數值運算
第一種，使用 表示式 a 3 b a 2 echo b第二種使用let let c a 4 echo c 第三種，使用expr表示式 注意空格不能少 注意空格和反引號 d expr 4 3 echo d第四種，比較常用，就是放在 expression 中，其實這才是bash的推薦的標準處理方法 a ...
Linux Shell中的數值運算
問題 本案例要求熟悉linux shell環境的特點，主要練習以下操作 使用expr katex parse error expected eof got at position 168 expr命令 乘法操作應採用 轉義，避免被作為shell通 符號。首先定義變數x 1234，然後分別計算與78的...