文章目录xtensor-stack 开源组织全解析背景、核心项目、使用教程一、xtensor-stack 组织整体介绍1. 基本背景2. 整体生态关系二、核心项目逐个介绍 最简使用示例1. xtl底层基础工具库2. xsimdSIMD 向量化库3. xtensor核心多维数组库对标 Python NumPy项目信息两种数组类型最简使用示例CMake 集成 xtensor4. xtensor‑pyC 与 Python NumPy 无缝互通5. xtensor‑blas / xtensor‑lapack线性代数6. xtensor‑io文件读写7. xeus交互式 C Jupyter 内核8. 其他常用项目三、整体使用流程快速上手1. 安装方式任选方式1vcpkgWindows/Linux/macOS 最简单方式2CMake FetchContent项目内一键拉取方式3手动下载头文件2. 完整最小可运行项目xtensor xsimd3. 编译命令必须开启优化与SIMD四、和 Eigen、NumPy 对比总结五、适合人群 场景xtensor-stack 开源组织全解析背景、核心项目、使用教程一、xtensor-stack 组织整体介绍1. 基本背景xtensor‑stack是由法国数据分析公司QuantStack主导维护的一套现代 C 数值计算生态开源组织对标 Python NumPy、MATLAB、Eigen但更侧重现代 C、向量化 SIMD、零开销抽象、跨平台、高性能科学计算。官网https://github.com/xtensor-stack核心定位把 Python 式简单易用的数组语法搬到高性能 C兼顾易用性 极致性能特点全头文件库、无第三方依赖、C14/17 起步、跨平台x86/ARM/RISC‑V/Windows/Linux/macOS、深度集成 xsimd SIMD 向量化主要应用科学计算、数据分析、机器学习、数值模拟、图像处理、金融量化、HPC 高性能计算2. 整体生态关系xtl基础工具库 ├─ xsimdSIMD 向量化加速库 ├─ xtensor多维数组核心库对标 NumPy │ ├─ xtensor‑blasBLAS/LAPACK 线性代数 │ ├─ xtensor‑io文件读写CSV/HDF5 │ ├─ xtensor‑pyC ↔ Python NumPy 无缝互通 │ └─ xtensor‑math数学函数、随机数、统计 └─ xeus交互式 C Jupyter 内核二、核心项目逐个介绍 最简使用示例下面按依赖层级从底层到上层逐个讲作用 特点 代码示例1. xtl底层基础工具库仓库https://github.com/xtensor-stack/xtl定位整个栈的基础工具集提供类型萃取、元编程、视图、可选值、容器工具、编译期计算等特点纯头文件、无依赖、轻量上层所有库都依赖它一般不单独使用写上层项目自动依赖即可2. xsimdSIMD 向量化库仓库https://github.com/xtensor-stack/xsimd定位跨平台 CPU 向量化加速屏蔽 AVX2/AVX‑512/NEON/RISC‑V 差异作用给 xtensor 提供硬件级批量计算加速核心类型xsimd::batchT一次运算处理多个数据简单示例回顾#includexsimd/xsimd.hppintmain(){usingbxsimd::batchdouble;b ab{1,2,3,4},bb{5,6,7,8};autocab;// 自动SIMD向量化加法return0;}3. xtensor核心多维数组库对标 Python NumPy项目信息仓库https://github.com/xtensor-stack/xtensor定位C 版 NumPy多维数组、广播、切片、视图、向量化运算最大优势语法极度接近 Python NumPy学习成本极低自动调用 xsimd 做 SIMD 加速性能碾压普通循环支持静态维度 / 动态维度两种数组广播、切片、reshape、view、迭代器全部支持两种数组类型xtensor::xtensorT, N动态维度运行时可改形状最常用xtensor::xtensor_fixedT, shape静态维度编译期定形状性能更高最简使用示例#includextensor/xtensor.hpp#includextensor/xio.hpp// 打印数组#includextensor/xview.hpp// 切片视图intmain(){// 1. 创建 2×3 二维数组xt::xtensordouble,2arr{{1,2,3},{4,5,6}};// 2. 简单运算自动广播SIMD向量化autoarr2arr2;autoarr3arr*arr2;// 3. 切片和NumPy完全一样autoslicext::view(arr,xt::all(),xt::range(0,2));// 4. 打印std::coutarr\narr2\nslice;return0;}CMake 集成 xtensorfind_package(xtensor REQUIRED) add_executable(demo main.cpp) target_link_libraries(demo xtensor)编译必须开启 SIMDg-stdc17-O3-marchnative main.cpp-odemo4. xtensor‑pyC 与 Python NumPy 无缝互通仓库https://github.com/xtensor-stack/xtensor‑py定位C xtensor 数组 ↔ Python NumPy 数组零拷贝转换用途写高性能 C 扩展替代 pybind11手动内存拷贝直接操作 NumPy 内存典型场景Python 里调用 C 数值计算数据不复制极速5. xtensor‑blas / xtensor‑lapack线性代数仓库https://github.com/xtensor-stack/xtensor‑blas作用矩阵乘法、求逆、SVD、特征值对接 OpenBLAS/MKL/LAPACK比 Eigen 更易用语法更像 NumPy6. xtensor‑io文件读写仓库https://github.com/xtensor-stack/xtensor‑io支持CSV、HDF5、npy/npzNumPy 格式直接读写 NumPy 保存的数组科研数据互通非常方便7. xeus交互式 C Jupyter 内核仓库https://github.com/xtensor-stack/xeus定位在 Jupyter Notebook 里直接写 C像 Python 一样交互式运行配合 xtensor可直接在 Notebook 做 C 科学计算、画图8. 其他常用项目xtensor‑math随机数、正态分布、统计函数、三角函数、特殊数学函数xtensor‑signal信号处理、滤波、卷积xtensor‑optimize数值优化、最小二乘、梯度下降三、整体使用流程快速上手1. 安装方式任选方式1vcpkgWindows/Linux/macOS 最简单vcpkginstallxtensor xsimd xtensor-blas xtensor-py方式2CMake FetchContent项目内一键拉取include(FetchContent) FetchContent_Declare(xtensor GIT_REPOSITORY https://github.com/xtensor-stack/xtensor.git GIT_TAG master ) FetchContent_MakeAvailable(xtensor)方式3手动下载头文件直接 clone 对应仓库把 include 加入头文件路径2. 完整最小可运行项目xtensor xsimd#includextensor/xtensor.hpp#includextensor/xrandom.hpp#includextensor/xio.hppintmain(){// 随机生成 1000×1000 数组自动SIMD加速xt::xtensordouble,2axt::random::randdouble({1000,1000});xt::xtensordouble,2bxt::random::randdouble({1000,1000});// 矩阵逐元素乘法自动向量化autoca*b;std::cout数组形状c.shape()std::endl;return0;}3. 编译命令必须开启优化与SIMDg-stdc17-O3-marchnative main.cpp-oxtensor_demo-O3开启最高优化-marchnative启用本机 CPU 最高 SIMD 指令AVX2/AVX512四、和 Eigen、NumPy 对比总结库语言易用性性能特点NumPyPython⭐⭐⭐⭐⭐一般依赖底层C生态最强EigenC⭐⭐⭐高传统线性代数库xtensorxsimdC⭐⭐⭐⭐极高SIMD语法像NumPy性能像手写SIMD五、适合人群 场景做科学计算、数值模拟、CFD、HPC需要 C 高性能写 Python 扩展不想手写内存拷贝用 xtensor‑py 零拷贝对接 NumPy从 Python NumPy 转 C希望语法几乎不变需要跨平台自动适配不同 CPU 的 SIMD 指令