为何Eigen显式循环矩阵乘法远慢于Fortran？

这个问题我太熟了！核心原因是Fortran和C++编译器对显式循环的优化逻辑差异，再加上你写的循环和Eigen默认的内存存储顺序不匹配，直接导致缓存命中率暴跌，速度自然慢了好几倍。下面具体拆解：

1. 内存存储顺序和循环访问不匹配，拖垮缓存效率 #

• Fortran天生是列优先（Column-Major）存储数组：你的Fortran循环里，计算c(i,j) = sum(a(i,k)*b(k,j))时，b(k,j)在j固定的情况下，k遍历的是同一列的元素，内存是连续的——这对缓存友好得不行。就算a(i,k)是跨列访问，gfortran在-O3优化下，会自动做循环交换（比如把i和k的顺序调换），强行把内存访问改成连续模式，缓存命中率直接拉满。
• Eigen的MatrixXd默认是**行优先（Row-Major）**存储：你的C循环里，b(k,j)在j固定时，k遍历的是不同行的第j个元素，内存是跳着读的——这会触发大量缓存 miss（缓存里没有要读的数据，得去内存里取），速度直接打折扣。g虽然也会尝试优化，但面对这种天生不匹配的访问模式，优化力度远不如gfortran。

2. Fortran编译器对数值循环的优化更激进 #

gfortran针对数值计算的优化是出了名的狠：在-O3和-march=native下，它会自动给显式循环做向量化、循环展开、循环融合，甚至直接把你写的三层循环替换成类似matmul的高效实现——说白了，你写的Fortran循环，编译器可能已经悄悄帮你改成了接近内置函数的版本。

而g面对C的显式循环，虽然也有优化，但C++语法太灵活，编译器要处理的场景太多，对这种特定数值循环的针对性优化就没那么狠了，自然干不过gfortran。

3. 怎么让Eigen的显式循环速度追上Fortran？ #

试试这两个调整，保证速度能上来：

• 改用Eigen的列优先矩阵：

  Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic, Eigen::ColMajor> a(n,n), b(n,n), c(n,n);
  

• 调整循环顺序，让内存访问连续：

  // 改成i→k→j的顺序，让a和b的访问都连续
  for(int i=0;i<n;i++){
    for(int k=0;k<n;k++){
      double ak_val = a(i,k);
      for(int j=0;j<n;j++){
        c(i,j) += ak_val * b(k,j);
      }
    }
  }
  

  这样调整后，缓存命中率会大幅提升，g++的优化就能发挥作用，速度基本能追上Fortran的循环实现。

至于两者的内置实现（Fortran的matmul和Eigen的*）速度相近，是因为它们都调用了高度优化的BLAS/LAPACK底层实现（或者编译器内置的手工优化矩阵乘法），这些都是专家写的极致优化代码，和我们手动写的循环根本不在一个量级。

内容的提问来源于stack exchange，提问作者Clock Su