lapack笔记:矩阵求逆

在有限元等参单元计算中,大量用到Jacobi矩阵的求逆。

这里给出一个使用lapack库函数求2x2矩阵逆的例子:

/**********************************************************
File: test_lapack.c
Author: Liang Zheng
E-mail: [email protected]
Date: 2014-6-19
**********************************************************/

#include <stdio.h>
#include <stdlib.h>

#include <lapacke.h>

int main()
{
  float a[2][2]float xx[]={23.0,54.0,67.0,2.0};
  lapack_int info;
  int n=2;
  lapack_int lda=2;
  lapack_int ipiv[2]={2,2};

  int i,j;
  info=LAPACKE_sgetrf(LAPACK_ROW_MAJOR,n,n,a,lda,ipiv);
  printf("info = %d\n",info);

  for(i=0;i<2;i++)
    for(j=0;j<2;j++)
      printf("a= %f\n",a[i][j]);

  for(i=0;i<2;i++)
    printf("ipiv = %d\n",ipiv[i]);

  info=LAPACKE_sgetri(LAPACK_ROW_MAJOR,n,a,lda,ipiv);
  printf("info = %d\n",info);

  for(i=0;i<2;i++)
    for(j=0;j<2;j++)
      printf("a= %f\n",a[i][j]);

  return 1;
}

lapack笔记:矩阵求逆

时间: 2024-10-23 04:50:21

lapack笔记:矩阵求逆的相关文章

【Python笔记】如何编译不依赖lapack和atlas库的NumPy包

NumPy是科学计算方面的一个Python库,在数据挖掘或机器学习或科学统计等领域经常被用到,官网在这里. 在实际业务中,为发挥NumPy的高性能,在编译NumPy时会依赖一些经过特别优化的第三方科学计算库.对于初次接触NumPy的新手来说,从源码编译安装依赖外部库的NumPy通常不是一个简单的任务. 事实上,NumPy这个Python包本身不需依赖任何第三方库就能完成编译和安装使用,只不过其计算性能会受到影响. 本篇笔记记录的是如何在不依赖外部库的情况下来编译使用NumPy,这样做为了理清Nu

【Python笔记】如何源码编译依赖LAPACK和ATLAS库的NumPy包

上篇笔记介绍了不依赖lapack和atlas库的NumPy包源码编译/安装方法,但"纯净版"的NumPy会损失性能,故本篇笔记说明如何源码编译安装依赖lapack和atlas库的NumPy包. 1. GCC版本要求 使用较新版本的GCC工具集(尽量不低于v4.7)且集成有gfortran编译器. 备注1:这里大写的"GCC"是指GNU Compiler Collection,它除包含C语言编译器gcc外,还包含很多其它语言的编译器(如g++/gfortran等) 备

自适应滤波:矩阵求逆

作者:桂. 时间:2017-04-02  10:36:09 链接:http://www.cnblogs.com/xingshansi/p/6658655.html 声明:欢迎被转载,不过记得注明出处哦~  [读书笔记09] 前言 西蒙.赫金的<自适应滤波器原理>第四版第八章:最小二乘法.因为最小二乘涉及到矩阵求逆,因为通常对于秩缺矩阵其逆是不可求的,这就需要借助广义逆矩阵.而广义逆矩阵可以借助奇异值分解(SVD,Singularly Valuable Decomposition)进行求解. 有

机器学习基石笔记9——机器可以怎样学习(1)

转载请注明出处:http://www.cnblogs.com/ymingjingr/p/4271742.html 目录 机器学习基石笔记1——在何时可以使用机器学习(1) 机器学习基石笔记2——在何时可以使用机器学习(2) 机器学习基石笔记3——在何时可以使用机器学习(3)(修改版) 机器学习基石笔记4——在何时可以使用机器学习(4) 机器学习基石笔记5——为什么机器可以学习(1) 机器学习基石笔记6——为什么机器可以学习(2) 机器学习基石笔记7——为什么机器可以学习(3) 机器学习基石笔记8

Machine Learning笔记(三) 多变量线性回归

Machine Learning笔记(三) 多变量线性回归 注:本文内容资源来自 Andrew Ng 在 Coursera上的 Machine Learning 课程,在此向 Andrew Ng 致敬. 一.多特征(Multiple Features) 笔记(二)中所讨论的房价问题,只考虑了房屋尺寸(Size)一个特征,如图所示: 这样只有单一特征的数据,往往难以帮助我们准确的预测房价走势.因此,考虑采集多个特征的数据值,往往能提升预测效果.例如,选取如下4个特征作为输入值时的情况: 对一些概念

【神经网络和深度学习】笔记 - 第三章 如何提高神经网络学习算法的效果

文章导读: 1.交叉熵损失函数 1.1 交叉熵损失函数介绍 1.2 在MNIST数字分类上使用交叉熵损失函数 1.3 交叉熵的意义以及来历 1.4 Softmax 2. 过拟合和正则化 2.1 过拟合 2.2 正则化 2.3 为什么正则化可以减轻过拟合问题 2.4 正则化的其它方法 3. 参数初始化 4. 其它方法 4.1 随机梯度下降算法的改进 4.2 其它神经元模型 我们前面已经学习了反向传播算法,它是我们学习神经网络的基础.这一章将会介绍一系列的方法技巧来改善反向传播算法的效果,进而改善学

数据分析基础教程Numpy指南笔记

Numpy指南笔记 第2章:Numpy基础 创建多维数组# coding:utf-8import numpy as npm=np.array([np.arange(2),np.arange(2)])print mprint m.shape 一维数组切片和索引# coding:utf-8import numpy as npa=np.arange(9)print aprint a[3:7]print a[:7:2] #用下标0-7,以2为步长选取元素 多维数组切片和索引# coding:utf-8i

【安全牛学习笔记】

弱点扫描 ╋━━━━━━━━━━━━━━━━━━━━╋ ┃发现弱点                                ┃ ┃发现漏洞                                ┃ ┃  基于端口五福扫描结果版本信息(速度慢)┃ ┃  搜索已公开的漏洞数据库(数量大)      ┃ ┃  使用弱点扫描器实现漏洞管理            ┃ ╋━━━━━━━━━━━━━━━━━━━━╋ [email protected]:~# searchsploit Usage:

51CTO持续更新《通哥的运维笔记》

<通哥的运维笔记>将持续在51CTO网站更新,希望大家多多关注.互相学习,后期,我将会退出<通哥的运维笔记>系列视频教程,希望带给大家最大的收获,帮助大家更好的学习.进步.<通哥的运维笔记>主要从linux系统管理.虚拟化.cloudstack云平台以及网络管理之CCNA.CCNP.CCIE,等等方面深入讲解.