C++标准库中的std，，linalg能否替代Eigen3和BLAS/LAPACK？

LG

从cppreference页面来看，std::mdspan的作用是对向量和矩阵进行简单的封装，主要支持BLAS级别的操作，而与LAPACK相关的功能（如特征值分解、奇异值分解等）尚未涵盖。因此，它目前还无法完全替代成熟的线性代数库如Eigen3。如果std::linaLG能够成功进入C++标准库，那么确实可以避免链接BLAS的麻烦，这在某些场景下会带来便利。不过，BLAS存在一个历史遗留问题——默认使用int32作为索引类型，这在处理大规模数据时可能会引发问题，令人头疼。尽管如此，在OpenBLAS和MKL已经高度优化的今天，我们不禁要问：各大编译器厂商是否能够开发出一个性能足够优秀的标准库？如果其速度逊色于上述两个库，那岂不是显得有些尴尬？由于LAPACK依赖于BLAS，因此对于复杂的线性代数运算，目前仍然需要依赖BLAS+LAPACK的组合，而不是std::linaLG+LAPACK。虽然LAPACK中的算法已经非常成熟，但我们仍期待未来能将这些功能整合到标准库中，以提供更全面的支持。值得一提的是，深度学习领域对LAPACK的需求相对较低。随着std::float16_t和std::bfloat16_t即将进入标准库，如果std::linaLG也能支持这些数据类型，或许可以为纯C++实现的神经网络提供助力。最后还有一个有趣的问题值得探讨：虽然BLAS的接口设计复杂，但它的参数都经过精心安排，用户需要自行确保输入数据的正确性，例如内存大小是否足够。然而，当我们将向量或矩阵封装到类中时，比如使用std::linaLG或Eigen3，就不可避免地需要添加一些运行时检查。以点积操作为例，CBLAS接口假设用户已确保向量x和y具有足够的内存，并且不需要检查它们的长度是否一致。但如果我们将向量封装到类中，则必须验证两者的长度是否相等。这种检查虽然开销较小，但在理论上是否违背了C++的零开销原则？这个问题也许会让人大笑之余，又陷入深思。