用 c++ 实现矩阵运算并将矩阵输出为矩阵
参考链接: 通过将矩阵传递给函数的C++程序将两个矩阵相乘
任务需求:需要写一个矩阵的四则运算的小demo,通过重载运算符来实现。
需要实现:
matrix的构造函数 动态开辟空间,实现添加矩阵。 析构函数 释放动态开辟的空间,防止内存泄露。 重载“+ - * /”运算符 为了方便输出 顺便实现 << 运算符
矩阵运算规则
百度到的运算规则
简单来说一下吧:
加减法 同型矩阵,对应位置相加减。 数乘 分别于矩阵中的每一位相乘。 矩阵乘矩阵(点积) 文字表示: (1) 行数与(左矩阵)A相同,列数与(右矩阵)B相同,即. (2) C的第行第列的元素由A的第行元素与B的第列元素对应相乘,再取乘积之和. 图说话:
难点
多维矩阵的存储 为了方便实现,采用一维数组的存储方式,将多维数组按照一定的规律存储为一维。 可以通过偏移的方式找到其他的元素,但是这里没有必要。实现 << 运算符 实现类似Python中list输出的样式 想法: 递归 eg: [1,2,3,4,5,6,7,8] 为 2行4列 的数组 想要的输出为 [ [1,2,3,4],[5,6,7,8] ] 只有遍历到 最低维的时候才需要输出元素 如果将输出的list 看做一棵树 可以这么表示,存放元素的只有在叶子节点中,依次通过深度递归遍历将叶子节点依次输出即可。
一言不合上代码::
#include<iostream>
using namespace std;
class Matrix {
int* num;//各个维度的size
int* nums;//将矩阵转变为一维数组
int dimensionality;//维度
public:
Matrix(int x, int y) :Matrix(x, y, NULL, 0) {
}
//通过一维矩阵构造 多维矩阵不会传递TODO
//行数 列数 一维数组 数组的长度
Matrix(int x, int y, int* t_nums, int t_n) {
num = new int[2];
num[0] = x; num[1] = y;
dimensionality = 2;
int max_n = x * y;
nums = new int[max_n];
int min_dim = t_n < max_n ? t_n : max_n;
for (int i = 0; i < max_n; i++) {
if (i < min_dim)
this->nums[i] = t_nums[i];
else this->nums[i] = 0;
}
}
Matrix operator +(const Matrix& x) {
//判断是否是维度相同
int flag = true;//标志 同
if (this->dimensionality == x.dimensionality) {//判断维度是否相同
for (int i = 0; i < this->dimensionality; i++) {//判断各个维度size都相同
if (this->num[i] != x.num[i]) {
flag = false;
throw "两个矩阵的行数列数不相同!";
break;
}
}
}
else { flag = false; throw "维度不同,不能相加!"; }
//不同则不做处理,返回当前的矩阵
if (!flag)
return *this;
//因为没有保存nums数组的长度 需要计算
int sum_n = 1;//累成 是1****
for (int i = 0; i < x.dimensionality; i++) {
sum_n *= x.num[i];
}
//元素依次加
for (int i = 0; i < sum_n; i++) {
this->nums[i] += x.nums[i];
}
return *this;
}
Matrix() {
//赋值为NULL 不会造成内存泄漏 会进行指针检查 跳过NULL
num = NULL;
nums = NULL;
dimensionality = 0;
}
Matrix(const Matrix& m) {
this->dimensionality = m.dimensionality;
this->num = new int[m.dimensionality];
int sum_n = 1;
for (int i = 0; i < m.dimensionality; i++) {
this->num[i] = m.num[i];
sum_n *= m.num[i];
}
this->nums = new int[sum_n];
for (int i = 0; i < sum_n; i++) {
this->nums[i] = m.nums[i];
}
}
friend ostream& operator<< (ostream& out, const Matrix& m);
~Matrix() {
delete[] num;
}
};
//dim 维度 dunm 维度数组 记录各个维度 length 数组的长度 dunms 记录一维数组
void print(int dim, int* dnum, int length, int* dnums) {
dim--;
cout << "[";
//递归出口,当找到一维数组的时候就输出 "1,2,3,4]"的格式
if (dim == 0) {
for (int i = 0; i < dnum[dim]; i++) {
cout << dnums[i];
if (i != dnum[dim] - 1)cout << ",";
}
cout << "]";
return;
}
//不在一维的情况下就 进入循环,输出","分隔符
int capicity = length / dnum[dim];// 下一维的单位长度(一组)中的元素个数
int* temp_dnums = new int[capicity];
int zu = dnum[dim];//下一维需要分成多少组,就是:比如当前2行3列就是2即 低一纬的个数
int t = 0;
while (zu--) {
for (int i = 0; i < capicity; i++, t++) {
temp_dnums[i] = dnums[t];
}
print(dim, dnum, capicity, temp_dnums);//递归输出
if (zu)cout << ",\n";
}
cout << "]";
}
ostream& operator<< (ostream& out, const Matrix& m) {
cout << "矩阵运算的结果是:" << endl;
int sum_n = 1;
for (int i = 0; i < m.dimensionality; i++) {
sum_n *= m.num[i];
}
int* temp_num = new int[m.dimensionality];
for (int i = 0; i < m.dimensionality; i++) {//将维度的存储翻转,供分组使用
(temp_num[m.dimensionality - i - 1] = m.num[i]);
}
print(m.dimensionality, temp_num, sum_n, m.nums);
return out;
}
int main() {
int s[] = { 1,2,3,4,5,6 };
Matrix m1(3, 2, s, 6);
int s2[] = { 2, 3, 4, 5, 6, 7, 8 };
Matrix m2(2, 2, s2, 5);
Matrix m3(3, 2, s2, 5);
cout << "两个(3,2)矩阵相加:" << endl;
cout << m1 + m3 << endl;
puts("");
Matrix m4(2, 3, s, 6);
Matrix m5(2, 3, s2, 5);
cout << "两个(2,3)矩阵相加:" << endl;
cout << m4 + m5 << endl;
puts("");
try {
cout << "行数,列数不相同时的矩阵相加:" << endl;
cout << m1 + m2 << endl;
}
catch (const char* msg) {
cout << msg << endl;
}
return 0;
}
上一篇: 矩阵加减法与特征值之间的关系 - 掘金
下一篇: 矩阵的加法、减法和乘法
推荐阅读
-
包婷婷 (201550484)作业一 统计软件简介与数据操作-SPSS(Statistical Product and Service Solutions),"统计产品与服务解决方案"软件。最初软件全称为"(SolutionsStatistical Package for the Social Sciences),但是随着SPSS产品服务领域的扩大和服务深度的增加,SPSS公司已于2000年正式将英文全称更改为"统计产品与服务解决方案",标志着SPSS的战略方向正在做出重大调整。为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称SPSS,有Windows和Mac OS X等版本。 1984年SPSS总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+,开创了SPSS微机系列产品的开发方向,极大地扩充了它的应用范围,并使其能很快地应用于自然科学、技术科学、社会科学的各个领域。世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价。 R统计软件介绍 R是一套完整的数据处理、计算和制图软件系统。其功能包括:数据存储和处理系统;数组运算工具(其向量、矩阵运算方面功能尤其强大);完整连贯的统计分析工具;优秀的统计制图功能;简便而强大的编程语言:可操纵数据的输入和输出,可实现分支、循环,用户可自定义功能。 与其说R是一种统计软件,还不如说R是一种数学计算的环境,因为R并不是仅仅提供若干统计程序、使用者只需指定数据库和若干参数便可进行一个统计分析。R的思想是:它可以提供一些集成的统计工具,但更大量的是它提供各种数学计算、统计计算的函数,从而使使用者能灵活机动的进行数据分析,甚至创造出符合需要的新的统计计算方法。 该语言的语法表面上类似 C,但在语义上是函数设计语言(functional programming language)的变种并且和Lisp 以及 APL有很强的兼容性。特别的是,它允许在"语言上计算"(computing on the language)。这使得它可以把表达式作为函数的输入参数,而这种做法对统计模拟和绘图非常有用。 R是一个免费的*软件,它有UNIX、LINUX、MacOS和WINDOWS版本,都是可以免费下载和使用的。在R主页那儿可以下载到R的安装程序、各种外挂程序和文档。在R的安装程序中只包含了8个基础模块,其他外在模块可以通过CRAN获得。 二、R语言 R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个*、免费、源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具。 R作为一种统计分析软件,是集统计分析与图形显示于一体的。它可以运行于UNIX,Windows和Macintosh的操作系统上,而且嵌入了一个非常方便实用的帮助系统,相比于其他统计分析软件,R还有以下特点: 1.R是*软件。这意味着它是完全免费,开放源代码的。可以在它的网站及其镜像中下载任何有关的安装程序、源代码、程序包及其源代码、文档资料。标准的安装文件身自身就带有许多模块和内嵌统计函数,安装好后可以直接实现许多常用的统计功能。[2] 2.R是一种可编程的语言。作为一个开放的统计编程环境,语法通俗易懂,很容易学会和掌握语言的语法。而且学会之后,我们可以编制自己的函数来扩展现有的语言。这也就是为什么它的更新速度比一般统计软件,如,SPSS,SAS等快得多。大多数最新的统计方法和技术都可以在R中直接得到。[2] 3. 所有R的函数和数据集是保存在程序包里面的。只有当一个包被载入时,它的内容才可以被访问。一些常用、基本的程序包已经被收入了标准安装文件中,随着新的统计分析方法的出现,标准安装文件中所包含的程序包也随着版本的更新而不断变化。在另外版安装文件中,已经包含的程序包有:base一R的基础模块、mle一极大似然估计模块、ts一时间序列分析模块、mva一多元统计分析模块、survival一生存分析模块等等.[2] 4.R具有很强的互动性。除了图形输出是在另外的窗口处,它的输入输出窗口都是在同一个窗口进行的,输入语法中如果出现错误会马上在窗口口中得到提示,对以前输入过的命令有记忆功能,可以随时再现、编辑修改以满足用户的需要。输出的图形可以直接保存为JPG,BMP,PNG等图片格式,还可以直接保存为PDF文件。另外,和其他编程语言和数据库之间有很好的接口。[2] 5.如果加入R的帮助邮件列表一,每天都可能会收到几十份关于R的邮件资讯。可以和全球一流的统计计算方面的专家讨论各种问题,可以说是全世界最大、最前沿的统计学家思维的聚集地.[2] R是基于S语言的一个GNU项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。 R的语法是来自Scheme。R的使用与S-PLUS有很多类似之处,这两种语言有一定的兼容性。S-PLUS的使用手册,只要稍加修改就可作为R的使用手册。所以有人说:R,是S-PLUS的一个“克隆”。 但是请不要忘了:R是免费的(R is free)。R语言源代码托管在github,具体地址可以看参考资料。[3] 。 R语言的下载可以通过CRAN的镜像来查找。 R语言有域名为.cn的下载地址,有六个,其中两个由Datagurn,由 中国科学技术大学提供的。R语言Windows版,其中由两个下载地点是Datagurn和 USTC提供的。 三、stata Stata 是一套提供其使用者数据分析、数据管理以及绘制专业图表的完整及整合性统计软件。它提供许许多多功能,包含线性混合模型、均衡重复反复及多项式普罗比模式。用Stata绘制的统计图形相当精美。 新版本的STATA采用最具亲和力的窗口接口,使用者自行建立程序时,软件能提供具有直接命令式的语法。Stata提供完整的使用手册,包含统计样本建立、解释、模型与语法、文献等超过一万余页的出版品。 除此之外,Stata软件可以透过网络实时更新每天的最新功能,更可以得知世界各地的使用者对于STATA公司提出的问题与解决之道。使用者也可以透过Stata. Journal获得许许多多的相关讯息以及书籍介绍等。另外一个获取庞大资源的管道就是Statalist,它是一个独立的listserver,每月交替提供使用者超过1000个讯息以及50个程序。 四、PYTHON
-
基本算法] 几种基本矩阵运算及 C++ 实现
-
二维矩阵加法、减法、乘法和其他运算的 C++ 实现
-
用 c++ 实现矩阵运算并将矩阵输出为矩阵
-
C++ 矩阵运算的简单实现
-
C++ 中的基本矩阵运算 ( +、-、=、 使用二维指针打开空间,形成二维数组; 最初的设计题目是设计一个矩阵类来实现基本的矩阵操作; 最初的设计是一个存放矩阵元素的 HL[10][10] 数组,后来改为二维指针; 主要问题在于人们对二维指针的理解还不够深入,不知道它们是如何打开空间的; HL = 新的 double *[行]; for(i = 0;i < row;i++) HL[i] = new double [list]; 其次,没有找到合适的处理方法来添加不同类型的矩阵
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
用C++实现图的邻接矩阵并剖析其时间复杂度详解
-
华为OD面试题详解:用Java、Python、C++和JS实现的滑动窗口法 - 最小矩阵宽度问题