Android Studio中C++环境下xtensor库配置及矩阵乘法实现问题

我帮你梳理下在Android Studio中配置xtensor的正确步骤，以及几个靠谱的替代方案，解决你的矩阵乘法加速问题：

一、正确配置xtensor的完整步骤 #

xtensor是纯头文件库，不需要编译静态/动态库，但它依赖xtl库，所以首先要把这两个库的头文件引入项目：

1. 获取xtensor和xtl源码

   • 把xtensor和xtl的源码下载到项目的app/src/main/cpp/third_party目录下（可以用git clone或者直接下载压缩包解压）：
     • xtensor: https://github.com/xtensor-stack/xtensor
     • xtl: https://github.com/xtensor-stack/xtl
   • 最终目录结构大概是：

     app/src/main/cpp/
     ├── third_party/
     │   ├── xtensor/
     │   │   └── include/
     │   └── xtl/
     │       └── include/
     ├── your_cpp_file.cpp
     └── CMakeLists.txt
     

2. 配置CMakeLists.txt
   在你的模块级CMakeLists.txt中添加以下配置，确保编译器能找到xtensor和xtl的头文件，并启用足够的C++标准：

   cmake_minimum_required(VERSION 3.18.1)
   
   # 设置项目名称
   project("matrixmultiply")
   
   # 添加xtensor和xtl的头文件路径
   include_directories(${CMAKE_CURRENT_SOURCE_DIR}/third_party/xtl/include)
   include_directories(${CMAKE_CURRENT_SOURCE_DIR}/third_party/xtensor/include)
   
   # 启用C++17标准（xtensor最低要求C++14，推荐C++17）
   set(CMAKE_CXX_STANDARD 17)
   set(CMAKE_CXX_STANDARD_REQUIRED ON)
   
   # 编译你的native库
   add_library(
           matrixmultiply
           SHARED
           your_cpp_file.cpp) # 替换成你的cpp文件名
   
   # 链接Android NDK的日志库（可选，用于调试）
   find_library(
           log-lib
           log)
   
   target_link_libraries(
           matrixmultiply
           ${log-lib})
   

3. 配置Android Gradle脚本
   在模块级build.gradle中，确保NDK支持C++17并指定合适的ABI：

   android {
       namespace "com.example.yourpackage"
       compileSdk 34
   
       defaultConfig {
           applicationId "com.example.yourpackage"
           minSdk 24
           targetSdk 34
           versionCode 1
           versionName "1.0"
   
           externalNativeBuild {
               cmake {
                   cppFlags "-std=c++17 -O3" # -O3开启优化，提升运算速度
                   abiFilters 'arm64-v8a', 'armeabi-v7a' # 根据需求选择架构
               }
           }
       }
   
       externalNativeBuild {
           cmake {
               path file("src/main/cpp/CMakeLists.txt")
               version "3.22.1" # 匹配你的CMake版本
           }
       }
       compileOptions {
           sourceCompatibility JavaVersion.VERSION_1_8
           targetCompatibility JavaVersion.VERSION_1_8
       }
   }
   

4. 测试xtensor矩阵乘法
   在你的cpp文件中写一个简单的矩阵乘法函数，通过JNI暴露给Java层：

   #include <jni.h>
   #include <xtensor/xarray.hpp>
   #include <xtensor/xmath.hpp>
   #include <xtensor/xio.hpp>
   
   extern "C" JNIEXPORT jfloatArray JNICALL
   Java_com_example_yourpackage_MatrixUtils_multiplyMatrices(
           JNIEnv* env,
           jobject /* this */,
           jfloatArray mat_a,
           jfloatArray mat_b,
           jint rows_a,
           jint cols_a,
           jint cols_b) {
   
       // 获取Java数组指针
       jfloat* a_ptr = env->GetFloatArrayElements(mat_a, nullptr);
       jfloat* b_ptr = env->GetFloatArrayElements(mat_b, nullptr);
   
       // 转换为xtensor数组
       xt::xarray<float> xt_a(a_ptr, {rows_a, cols_a});
       xt::xarray<float> xt_b(b_ptr, {cols_a, cols_b});
   
       // 执行矩阵乘法
       auto xt_result = xt::linalg::dot(xt_a, xt_b);
   
       // 转换结果为Java数组
       jfloatArray result = env->NewFloatArray(rows_a * cols_b);
       env->SetFloatArrayRegion(result, 0, rows_a * cols_b, xt_result.data());
   
       // 释放资源
       env->ReleaseFloatArrayElements(mat_a, a_ptr, JNI_ABORT);
       env->ReleaseFloatArrayElements(mat_b, b_ptr, JNI_ABORT);
   
       return result;
   }
   

二、如果xtensor配置仍有问题，试试这些替代方案 #

1. 使用Eigen库 #

Eigen是另一个成熟的线性代数头文件库，配置方式和xtensor几乎一致，同样不需要编译，只需要引入头文件：

• 下载Eigen源码：https://eigen.tuxfamily.org/
• 把Eigen的include/Eigen目录放到third_party下，然后在CMakeLists.txt中添加include_directories(${CMAKE_CURRENT_SOURCE_DIR}/third_party/eigen/include)
• 用Eigen实现矩阵乘法的代码简洁且性能优秀，示例代码可参考类似xtensor的JNI调用逻辑，替换为Eigen的Matrix类和乘法运算符即可。

2. 集成OpenBLAS #

OpenBLAS是针对矩阵运算高度优化的库，支持ARM NEON指令集，性能比纯头文件库更优：

• 下载预编译的OpenBLAS库（针对Android架构），或者自己编译源码
• 在CMakeLists.txt中链接OpenBLAS的静态/动态库，并包含其头文件，然后调用cblas_sgemm函数实现矩阵乘法，它会自动利用硬件加速。

3. 优化手写for循环（迫不得已的选择） #

如果不想用任何第三方库，可以通过以下方式优化手写矩阵乘法：

• 在CMake中添加-O3编译选项，让编译器自动优化循环逻辑
• 利用ARM NEON指令集手动编写向量运算代码，充分利用CPU的SIMD能力
• 调整循环顺序，让内存访问更连续，提升缓存命中率，比如按行优先的顺序遍历矩阵

内容的提问来源于stack exchange，提问作者Simon