C++多维数组库的比较

简单比较了 Fastor、Eigen Tensor、Boost Multiarray、blitz++ 等多维数组库循环访问大型数组的速度。

库的安装

这些库基本都可以以头文件形式直接使用，其中blitz++可以用CMAKE安装，操作平台为VS 2019：

Boost Multiarray库下载连接下载之后直接包含头文件，并且添加include文件夹路径到VS 项目配置属性的VC++ 库目录和常规中的附加包含目录，可能会缺少一些头文件，可以去Boost库下载网站下载完整的boost库补全缺少的头文件。
Eigen库下载链接可以直接下载3.4.0解压，包含头文件路径（如上），其中unsupported模块Tensor可以支持最多250维度的多维数组。
Fastor库 下载连接固定的多维数组，直接下载解压，包含头文件即可使用。
Blitz++下载连接可以使用CMAKE工具安装，然后包含头文件即可。CMAKE的windows下操作为：文件夹下shift+鼠标右键打开powershell输入以上命令，然后需生成静态库并链接：

测试循环速度

#include"blitz/array.h"
#include"E:/eigen-3.4.0/unsupported/Eigen/CXX11/Tensor"
#include"boost/multi_array.hpp"
#include<Fastor/Fastor.h>
#define BOOST_DISABLE_ASSERTS
#include<cassert>
#include<fstream>
#define XX 900
#define YY 800
#define ZZ 9

using namespace std;
int main(int argc, char* argv[])
{
	//一维指针
	double* nativeMatrix = new double[XX * YY*ZZ];
	double stt = clock();
	for (int l = 0; l < 500; ++l)
	{
		for (int k = 0; k < 9; ++k)
		{
			for (int j = 0; j < 800; ++j)
			{
				for (int i = 0; i < 900; ++i)
				{

					nativeMatrix[ i+ (j * YY) + k * YY*XX] = 1.0;
				}
			}
		}
	}
	double edd = clock();
	cout << (double)(edd - stt )/CLOCKS_PER_SEC<< endl;
	//Boost
	using array3D=boost::multi_array<double, 3>;
	double st0 = clock();
	array3D A(boost::extents[900][800][9]);
	
	for (int l = 0; l < 500; ++l)
	{
		for (int i = 0; i < 900; ++i)
		{
			for (int j = 0; j < 800; ++j)
			{
				for (int k = 0; k < 9; ++k)
				{
					A[i][j][ k] = 1.0;
				}

			}
		}
	}
	double ed0 = clock();
	cout<<(double)(ed0-st0) / CLOCKS_PER_SEC << endl;
	//Blita++库
	double st = clock();
	blitz::Array<double, 3> Q(900, 800, 9);
	for (int l = 0; l < 500; ++l)
	{
		for (int i = 0; i < 900; ++i)
		{
			for (int j = 0; j < 800; ++j)
			{
				for (int k = 0; k < 9; ++k)
				{
					Q(i, j, k) = 1.0;
				}

			}
		}
	}

	double ed = clock();
	cout << (double)(ed - st) / CLOCKS_PER_SEC << endl;
	//Eigen库
	Eigen::TensorFixedSize<double,Eigen::Sizes<900,800,9>> U;
	//Eigen::Tensor<double,3> U(900,800,9);
	double st1 = clock();
	for (int l = 0; l < 500; ++l)
	{
		
		for (int k = 0; k <9; ++k)
		{
			for (int j = 0; j < 800; ++j)
			{
				for (int i = 0; i < 900; ++i)
				{
					U(i, j, k) = 1.0;
				}

			}
		}
	}
	double ed1 = clock();
	cout << (double)(ed1 - st1) / CLOCKS_PER_SEC << endl;
	//Fastor
	double st3 = clock();
	Fastor::Tensor<double, XX, YY, ZZ> B;
	for (int l = 0; l < 500; ++l)
	{
		for (int k = 0; k < 9; ++k)
		{
			for (int j = 0; j < 800; ++j)
			{
				for (int i = 0; i < 900; ++i)
				{
					B(i, j, k) = 1.0;
				}

			}
		}
	}
	double ed3 = clock();
	cout <<(double) (ed3 - st3)/CLOCKS_PER_SEC << endl;
	
	//原生数组
	double st2 = clock();
	double S[XX][YY][ZZ];
	for (int l = 0; l <500; ++l)
	{
		for (int i = 0; i <XX; ++i)
		{
			for (int j = 0; j <YY; ++j)
			{
				for (int k = 0; k < ZZ; ++k)
				{
					S[i][ j][ k] = 1.0;

				}

			}
		}
	}
	double ed2 = clock();
	cout << (double)(ed2 - st2)/CLOCKS_PER_SEC << endl;
	return 0;
}

结果

循环500次给900X800X9的三维数组赋值，Realse模式耗时如下：
在这里插入图片描述

另外。这些有些行优先，有些列优先，所以通过调整i，j，k循环顺序找出最小耗时，测试过程开启了VS矢量对齐增强功能：
在这里插入图片描述
由于原生数组和Fastor只支持固定大小数组尺寸，编译器经过优化，耗时为0，但是数组尺寸不可更改有些不方便

Fortran

program main
implicit none
 integer:: a,b,c,i,j,k,l
 real(8),allocatable:: x(:,:,:),y(:,:,:)
 real(8) time_begin , time_end1 
 allocate(x(900,800,9))

 call CPU_TIME(time_begin)

 do l=1,500
    do k=1,9
     do j=1,800
         do i=1,900
             x(i,j,k)=1.0
         enddo
     enddo
    enddo
 enddo
 
call CPU_TIME(time_end1)
write( *,*) time_end1-time_begin


stop
end program main

运行结果如下：可见多维动态数组还是Fortran支持的更好一些。
在这里插入图片描述