何时不建议使用Eigen::Ref作为参数？其相对模板参数的劣势是什么

使用Eigen::Ref替代模板化的MatrixBase<Derived>参数，主要存在以下几类实际劣势，对应着不适合用Eigen::Ref的场景：

1. 复杂表达式场景下的性能损耗 #

当传入的是Eigen的链式运算表达式（比如A*B + C.transpose()、matrix.rowwise().sum()这类未立即求值的表达式），Eigen::Ref会强制触发表达式的求值并拷贝到临时内存，这会丢失Eigen表达式模板的延迟求值优化能力。而使用MatrixBase<Derived>模板参数时，Eigen可以在编译时将运算逻辑融合，直接在原数据上操作，避免不必要的内存分配和拷贝，尤其是在大型矩阵运算中，性能差距会非常显著。

另外，如果传入的是非连续内存块（比如步长不为1的切片、跨列/跨行的块），Eigen::Ref内部可能需要额外拷贝来转换成连续内存才能处理，而模板参数可以直接对非连续表达式进行操作，无需额外开销。

2. 灵活性不足，无法兼容多样输入 #

• Eigen::Ref需要显式指定维度、布局（行优先/列优先）等模板参数，无法自动适配不同形状的输入。比如如果你的函数需要同时支持矩阵和向量，或者行优先/列优先的不同布局，就得编写多个重载版本，代码冗余度高；而MatrixBase<Derived>可以自动推导输入的类型信息，无需显式指定。
• 对于自定义的MatrixBase派生类（比如特殊的稀疏矩阵实现、自定义运算表达式），Eigen::Ref可能无法直接绑定，而模板参数可以无缝兼容这类扩展类型，无需额外适配。

3. 丢失编译时信息，无法做编译优化 #

MatrixBase<Derived>可以在编译时获取输入的完整元信息：比如编译时固定的行列数、内存布局、是否为稀疏矩阵、表达式的运算类型等。基于这些信息，可以做编译时分支优化（比如小矩阵用栈分配内存，大矩阵用堆分配；针对稀疏矩阵选择专用算法）。而Eigen::Ref是运行时绑定的，丢失了这些编译时元信息，无法进行这类极致优化。

4. 原地修改操作的意外行为 #

如果函数需要原地修改输入数据，当传入的是临时表达式（比如A.col(0)这类临时对象），Eigen::Ref会绑定到临时对象的拷贝上，修改操作不会作用到原矩阵。而使用MatrixBase<Derived>模板参数时，可以直接操作原表达式的内存（只要表达式支持原地修改），避免这种不符合预期的行为。

内容的提问来源于stack exchange，提问作者Svalorzen