Windows下Armadillo配置及测试

Armadillo是一个开源高性能C++线性代数库，提供了和Matlab中常用命令接近的函数接口，可以方便地将Matlab/Octave开发的算法移植到C++中。特别地，我们可以先在Matlab环境中编程进行算法原型验证，待算法充分验证通过之后再利用Armadillo移植到C++中编译为独立的可执行程序。虽然Matlab也支持利用mcc直接将m文件编译生成动态链接库文件或者可执行程序，但是这些代码的运行需要Matlab运行环境（MCR）的支持；而通过Armadillo进行移植则可以完全脱离Matlab环境。
此外，Armadillo是一个利用C++模板技术构建的算法库，只需要在代码中包含Armadillo的头文件就可以使用，不需要连接额外的函数库。同时，Armadillo可以选择采用高效的本地lapack和blas库（例如MKL, ACML或者OpenBLAS）对底层线性代数运算进行加速，从而提升运算性能。

首先从Armadillo官网获取源码，本文测试使用的是armadillo-6.600.5.tar.xz。前面提到，如果不需要创建wrapper库文件，则直接将解压后将文件夹下面的include文件夹复制到安装位置即可完成Armadillo的安装。下面我们先来介绍一下Armadillo的配置和使用，最后我会对创建Armadillo的wrapper库文件的方法进行讨论。

我们直接以解压路径下example目录中的example1.cpp为例进行说明。

#include <iostream>#include <armadillo>using namespace std;using namespace arma;// Armadillo documentation is available at:// http://arma.sourceforge.net/docs.htmlint main(int argc, char** argv){    cout << "Armadillo version: " << arma_version::as_string() << endl;    mat A(2,3);  // directly specify the matrix size (elements are uninitialised)    cout << "A.n_rows: " << A.n_rows << endl;  // .n_rows and .n_cols are read only    cout << "A.n_cols: " << A.n_cols << endl;    A(1,2) = 456.0;  // directly access an element (indexing starts at 0)    A.print("A:");    A = 5.0;         // scalars are treated as a 1x1 matrix    A.print("A:");    A.set_size(4,5); // change the size (data is not preserved)    A.fill(5.0);     // set all elements to a particular value    A.print("A:");    // endr indicates "end of row"    A << 0.165300 << 0.454037 << 0.995795 << 0.124098 << 0.047084 << endr      << 0.688782 << 0.036549 << 0.552848 << 0.937664 << 0.866401 << endr      << 0.348740 << 0.479388 << 0.506228 << 0.145673 << 0.491547 << endr      << 0.148678 << 0.682258 << 0.571154 << 0.874724 << 0.444632 << endr      << 0.245726 << 0.595218 << 0.409327 << 0.367827 << 0.385736 << endr;    A.print("A:");    // determinant    cout << "det(A): " << det(A) << endl;    // inverse    cout << "inv(A): " << endl << inv(A) << endl;    // save matrix as a text file    A.save("A.txt", raw_ascii);    // load from file    mat B;    B.load("A.txt");    // submatrices    cout << "B( span(0,2), span(3,4) ):" << endl << B( span(0,2), span(3,4) ) << endl;    cout << "B( 0,3, size(3,2) ):" << endl << B( 0,3, size(3,2) ) << endl;    cout << "B.row(0): " << endl << B.row(0) << endl;    cout << "B.col(1): " << endl << B.col(1) << endl;    // transpose    cout << "B.t(): " << endl << B.t() << endl;    // maximum from each column (traverse along rows)    cout << "max(B): " << endl << max(B) << endl;    // maximum from each row (traverse along columns)    cout << "max(B,1): " << endl << max(B,1) << endl;    // maximum value in B    cout << "max(max(B)) = " << max(max(B)) << endl;    // sum of each column (traverse along rows)    cout << "sum(B): " << endl << sum(B) << endl;    // sum of each row (traverse along columns)    cout << "sum(B,1) =" << endl << sum(B,1) << endl;    // sum of all elements    cout << "accu(B): " << accu(B) << endl;    // trace = sum along diagonal    cout << "trace(B): " << trace(B) << endl;    // generate the identity matrix    mat C = eye<mat>(4,4);    // random matrix with values uniformly distributed in the [0,1] interval    mat D = randu<mat>(4,4);    D.print("D:");    // row vectors are treated like a matrix with one row    rowvec r;    r << 0.59119 << 0.77321 << 0.60275 << 0.35887 << 0.51683;    r.print("r:");    // column vectors are treated like a matrix with one column    vec q;    q << 0.14333 << 0.59478 << 0.14481 << 0.58558 << 0.60809;    q.print("q:");    // convert matrix to vector; data in matrices is stored column-by-column    vec v = vectorise(A);    v.print("v:");    // dot or inner product    cout << "as_scalar(r*q): " << as_scalar(r*q) << endl;    // outer product    cout << "q*r: " << endl << q*r << endl;    // multiply-and-accumulate operation (no temporary matrices are created)    cout << "accu(A % B) = " << accu(A % B) << endl;    // example of a compound operation    B += 2.0 * A.t();    B.print("B:");    // imat specifies an integer matrix    imat AA;    imat BB;    AA << 1 << 2 << 3 << endr << 4 << 5 << 6 << endr << 7 << 8 << 9;    BB << 3 << 2 << 1 << endr << 6 << 5 << 4 << endr << 9 << 8 << 7;    // comparison of matrices (element-wise); output of a relational operator is a umat    umat ZZ = (AA >= BB);    ZZ.print("ZZ:");    // cubes ("3D matrices")    cube Q( B.n_rows, B.n_cols, 2 );    Q.slice(0) = B;    Q.slice(1) = 2.0 * B;    Q.print("Q:");    // 2D field of matrices; 3D fields are also supported    field<mat> F(4,3);    for(uword col=0; col < F.n_cols; ++col)        for(uword row=0; row < F.n_rows; ++row) {            F(row,col) = randu<mat>(2,3);  // each element in field<mat> is a matrix        }    F.print("F:");    return 0;}

从上面的代码可以看出，Armadillo的使用很简单：首先引入Armadillo的头文件armadillo，然后导入Armadillo的命名空间arma，之后即可使用Armadillo提供的函数接口了。
现在唯一需要做的就是在编译器中指定Armadillo的Include路径，从而让编译器能够找到Armadillo的头文件。以mingw为例，我们只需在构建命令中增加-I<path_to_arma_include_base>选项，path_to_arma_include_base即Armadillo安装路径ARMAROOT下面的include文件夹，该路径下应该有一个名称为armadillo的C++头文件和一个名称为armadillo_bits文件夹。

ls -l ${ARMAROOT}/includeg++ -g -I${ARMAROOT}/include example1.cpp -o armademo.exe

接下来，我们需要配置Armadillo是否使用本地lapack和blas库进行加速。打开ARMAROOT/armadillo_bits/config.hpp文件，找到以下两个宏：

• ARMA_USE_LAPACK
• ARMA_USE_BLAS

若不使用本地lapack库或者blas库，只需要将#define ARMA_USE_LAPACK语句注释掉，或者在#define ARMA_USE_LAPACK之后加上#undef ARMA_USE_LAPACK使其失效；针对blas的配置方法类似。相反，若要使用本地lapack库或者blas库，则需要确保这两个宏被定义，同时在连接时需要指定本地lapack库或blas库的路径并进行连接。

但是，这种方法每次配置Armadillo时都要打开config.hpp重新进行操作，比较繁琐。有没有一种更加方便的配置方法呢？答案是肯定的。
首先，将config.hpp中的ARMA_USE_LAPACK和ARMA_USE_BLAS宏定义语句注释掉或者利用#undef取消这两个宏定义。既然配置是否使用lapack或者blas的关键是配置这两个宏，那么我们可以
采用以下两种处理方法：

第一种方法，在源码中#include <armadillo>语句下面添加：

#ifndef ARMA_USE_LAPACK#define ARMA_USE_LAPACK#endif#ifdef ARMA_USE_BLAS#undef ARMA_USE_BLAS#endif

以上方法仍然略显麻烦。另一种更简单的办法是在构建命令中动态添加宏定义，如下所示：

g++ -g -I${ARMAROOT} example1.cpp -o armademo.exe -DARMA_USE_LAPACK -UARMA_USE_BLAS

注意：以上命令只是用作示意，使用以上命令并不能成功构建armademo.exe

至此，我们完成了Armadillo的安装和配置。最后一步，我们来构建armademo。要成功构建上面的代码，需要要配置使用本地lapack库和blas库，因为代码中矩阵求行列式det和矩阵求逆inv两个函数调用依赖于本地lapack库和blas库的支持。这里我们的本地线性代数库选用openblas，则对应的构建命令为：

g++ -g -I${ARMAROOT} -L${OPENBLASROOT}/lib example1.cpp -o armademo.exe -DARMA_USE_LAPACK -DARMA_USE_BLAS -lopenblas

此时即可成功生成armademo.exe。将openblas.dll所在路径加入PATH环境变量中或者复制到armademo.exe所在目录，运行armademo.exe，程序就可以正常运行了。
如果注释掉源代码中调用det和inv的代码，则此时可以不使用本地线性代数库，对应的构建命令为：

g++ -g -I${ARMAROOT} example1.cpp -o armademo.exe

---

最后再说一下如何创建Armadillo的wrapper库文件。该库文件名称一般为armadillo.dll（VS）或者libarmadillo.dll（mingw），封装了对底层lapack库和blas库的调用，以后需要使用本地库进行加速时只需要在连接选项中连接此armadillo库即可。

首先将源码包解压到用户的工作路径，参照README.txt说明进行构建。由于需要使用CMake进行build，故首先需要安装CMake，要求版本2.8或者以上。

这里使用mingw构建Armadillo库，根据文档指示，要求使用版本4.7.2以上的编译器，否则编译时会报错。

在Armadillo解压文件夹下新建build文件夹，在CMake GUI中进行配置。source路径选择Armadillo解压文件夹，build路径选择该文件夹下面新建的build。点击”Configure”进行配置，选择Makefile类型为”Mingw Makefile”，并选择”Specify native compilers”，单击”next”。分别设置gcc/g++/gfortran所在的路径，单击”Finish”退出即可。需要注意版本必须高于4.7.2，否则构建过程中会出错。单击”Configure”右边的”Generate”按钮即可在build文件夹下生成Makefile文件，之后cd到build文件夹下分别执行make和make install即可。

对应的构建命令为：

g++ -g -I${ARMAROOT}/inlucde -L-I${ARMAROOT}/lib example1.cpp -o armademo.exe -DARMA_USE_LAPACK \\    -DARMA_USE_BLAS -DARMA_USE_WRAPPER -larmadillo

但我在实际测试时发现不能正常build，经常会报undefined reference to 'wrapper_dgetri_'之类的错误，这说明本地线性代数库没有完全配置好，导致有些符号在连接时找不到。这很可能是在创建wrapper时配置不正确造成的，因为在创建wrapper之前必须确保本机已经安装了本地lapack或blas库并正确配置。这有一定的难度，构建成功的可能性也会小很多。所以建议不要使用wrapper，而是在需要使用本地库进行加速时直接连接相应的本地库。例如

CXXFLAGS = -I${ARMAROOT}/include -L${ARMAROOT}/lib -L${OPENBLASROOT}g++ ${CXXFLAGS} example1.cpp -o example.exe -lopenblas

这样就能正常构建了，不会有找不到符号的问题。

所以，我的建议是不要使用wrapper，在config.hpp将#define ARMA_USE_WRAPPER语句注释掉，只有在需要使用本地库加速时再连接本地库。