模稀疏特征值計算實戰(zhàn))
計算機視覺科研【免費下載鏈接】openMVGopen Multiple View Geometry library. Basis for 3D computer vision and Structure from Motion.項目地址https://gitcode.com/gh_mirrors/op/openMVG點擊查看免費下載Spectra是 openMVG 倉庫內src/third_party/spectra/目錄下捆綁的 C 大規(guī)模特征值求解庫全稱SparseEigenvalueComputationToolkit as aRedesignedARPACK。它以頭文件header-only形式隨 openMVG 分發(fā)并在 LiGT 全局優(yōu)化 等模塊中被實際用于求解特征值問題。閱讀本文后你將掌握 Spectra 的設計原理、8 類求解器的選用方法、三種典型調用范式稠密對稱 / 稀疏一般 / 自定義矩陣運算、特征值選擇規(guī)則與 shift-and-invert 模式并理解它是如何被集成進 openMVG 的。Spectra 是什么構建在 Eigen 之上的 C 特征值工具包根據(jù)倉庫內 Spectra 官方總覽 與 README 的說明定位面向大規(guī)模特征值問題的 C 庫構建于開源線性代數(shù)庫 Eigen 之上形態(tài)純 header-only 實現(xiàn)唯一依賴 Eigen 同樣是 header-only 庫因此可以極其輕量地嵌入任何需要計算大型矩陣特征值的 C 項目適用范圍當需要從大型方陣中求出少量特征值時Spectra 通常比計算完整的譜分解spectral decomposition高效得多。與 ARPACK 的關系重設計而非克隆ARPACK 是 FORTRAN 編寫的大規(guī)模特征值求解軟件。Spectra 的開發(fā)深受其啟發(fā)——從全稱即可看出它是 ARPACK 的 C 重設計redesignSpectra 基于 ARPACK Users Guide 描述的隱式重啟 Arnoldi/Lanczos 方法implicitly restarted Arnoldi/Lanczos method但 Spectra不使用 ARPACK 的代碼也不是 ARPACK 的 C 克隆它實現(xiàn)了 ARPACK 的主要算法卻提供了完全不同的接口并且不依賴 ARPACK文檔原文強調 NOT a clone of ARPACK for C。這一設計帶來的直接好處是用戶不需要鏈接任何 FORTRAN 運行時或 ARPACK 庫僅憑 Eigen 即可完成大規(guī)模特征值計算。核心設計思想只算 k 個特征值只暴露矩陣運算Spectra 被設計為計算大型方陣 $A$ 中指定數(shù)量$k$個特征值。通常 $k$ 遠小于矩陣規(guī)模$n$因此只計算少數(shù)特征值和特征向量一般比計算整個譜分解更高效。其最關鍵的抽象是用戶不需要直接提供整個矩陣算法只要求定義在 $A$ 上的某些運算。在基本設定下這個運算就是矩陣-向量乘法$$y Ax$$因此只要矩陣-向量積 $Ax$ 能被高效計算——例如 $A$ 是稀疏矩陣——Spectra 就能在大規(guī)模特征值問題上發(fā)揮威力。這也是它被命名為 Sparse Eigenvalue Computation Toolkit 的原因矩陣運算被當作黑盒稀疏性帶來的加速由用戶端的運算實現(xiàn)自然繼承。使用 Spectra 的兩大步矩陣運算類 求解器對象官方文檔給出了明確的兩步使用流程定義一個實現(xiàn)特定矩陣運算的類例如矩陣-向量乘法 $yAx$或 shift-solve 運算 $y(A-\sigma I)^{-1}x$。Spectra 提供了大量 helper 類來快速從矩陣對象構造這類運算例如Spectra::DenseGenMatProd、Spectra::DenseSymShiftSolve等創(chuàng)建某個特征值求解器類的對象例如面向對稱矩陣的Spectra::SymEigsSolver、面向一般矩陣的Spectra::GenEigsSolver然后調用其成員函數(shù)完成計算并取回特征值與特征向量。8 類求解器全景倉庫src/third_party/spectra/include/Spectra/下實際存在的求解器頭文件與官方文檔列出的求解器一一對應求解器類適用問題說明SymEigsSolver實對稱矩陣 $Ax\lambda x$基礎模式見 SymEigsSolver.hGenEigsSolver一般實矩陣 $Ax\lambda x$特征值/特征向量可為復數(shù)見 GenEigsSolver.hSymEigsShiftSolver實對稱矩陣shift-and-invert 模式找最接近 $\sigma$ 的特征值見 SymEigsShiftSolver.hGenEigsRealShiftSolver一般實矩陣shift-and-invert 模式實數(shù)位移見 GenEigsRealShiftSolver.hGenEigsComplexShiftSolver一般實矩陣shift-and-invert 模式復數(shù)位移見 GenEigsComplexShiftSolver.hSymGEigsSolver廣義特征值問題 $Ax\lambda Bx$實對稱支持 Cholesky / RegularInverse 兩種模式見 SymGEigsSolver.hSymGEigsShiftSolver廣義特征值問題實對稱shift-and-invert 模式見 SymGEigsShiftSolver.hDavidsonSymEigsSolver實對稱矩陣Jacobi-Davidson 算法DPR 校正見 DavidsonSymEigsSolver.h其中SymEigsSolver與GenEigsSolver的默認模板參數(shù)分別是DenseSymMatProddouble與DenseGenMatProddouble見 SymEigsSolver.h這也印證了文檔“兩步走”中的默認用法。示例一稠密對稱矩陣——SymEigsSolver 入門以下示例取自官方文檔Overview.md演示對稱矩陣特征值求解#include Eigen/Core #include Spectra/SymEigsSolver.h // Spectra/MatOp/DenseSymMatProd.h is implicitly included #include iostream using namespace Spectra; int main() { // We are going to calculate the eigenvalues of M Eigen::MatrixXd A Eigen::MatrixXd::Random(10, 10); Eigen::MatrixXd M A A.transpose(); // Construct matrix operation object using the wrapper class DenseSymMatProd DenseSymMatProddouble op(M); // Construct eigen solver object, requesting the largest three eigenvalues SymEigsSolverDenseSymMatProddouble eigs(op, 3, 6); // Initialize and compute eigs.init(); int nconv eigs.compute(SortRule::LargestAlge); // Retrieve results Eigen::VectorXd evalues; if(eigs.info() CompInfo::Successful) evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; return 0; }參數(shù)含義與取值約束源碼級說明從 SymEigsSolver.h 的構造函數(shù)文檔可以確認三個構造參數(shù)op矩陣運算對象實現(xiàn) $Av$ 運算?？捎肈enseSymMatProd/SparseSymMatProd等包裝類也可自定義需定義Scalar類型并實現(xiàn)與DenseSymMatProd相同的公有成員nev請求的特征值個數(shù)必須滿足 $1 \le nev \le n-1$ncv控制算法收斂速度的參數(shù)Krylov 子空間維數(shù)。通常ncv越大收斂越快但內存占用與每輪迭代的矩陣運算量也更大。必須滿足 $nev ncv \le n$建議取 $ncv \ge 2 \cdot nev$。以上約束在 SymEigsBase.h 的構造函數(shù)中通過std::invalid_argument強制校驗不滿足會直接拋異常。DenseSymMatProd的底層實現(xiàn)DenseSymMatProd.h利用 Eigen 的selfadjointViewUplo()只讀取對稱矩陣的下三角默認Eigen::Lower完成 $y A x$因此即使矩陣只填了一半也能正確處理對稱結構。示例二稀疏一般矩陣——SparseGenMatProd 與復數(shù)特征值一般實矩陣非對稱的特征值可能為復數(shù)因此eigenvalues()返回Eigen::VectorXcd。稀疏矩陣通過SparseGenMatProd、SparseSymMatProd等類支持#include Eigen/Core #include Eigen/SparseCore #include Spectra/GenEigsSolver.h #include Spectra/MatOp/SparseGenMatProd.h #include iostream using namespace Spectra; int main() { // A band matrix with 1 on the main diagonal, 2 on the below-main subdiagonal, // and 3 on the above-main subdiagonal const int n 10; Eigen::SparseMatrixdouble M(n, n); M.reserve(Eigen::VectorXi::Constant(n, 3)); for(int i 0; i n; i) { M.insert(i, i) 1.0; if(i 0) M.insert(i - 1, i) 3.0; if(i n - 1) M.insert(i 1, i) 2.0; } // Construct matrix operation object using the wrapper class SparseGenMatProd SparseGenMatProddouble op(M); // Construct eigen solver object, requesting the largest three eigenvalues GenEigsSolverSparseGenMatProddouble eigs(op, 3, 6); // Initialize and compute eigs.init(); int nconv eigs.compute(SortRule::LargestMagn); // Retrieve results Eigen::VectorXcd evalues; if(eigs.info() CompInfo::Successful) evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; return 0; }GenEigsSolver 與 SymEigsSolver 的參數(shù)約束差異一般矩陣的nev/ncv約束與對稱情形不同GenEigsSolver.hnev需滿足 $1 \le nev \le n-2$ncv需滿足 $nev2 \le ncv \le n$建議取 $ncv \ge 2 \cdot nev 1$。這一差異源于一般矩陣特征值為復數(shù)時算法內部需要保留共軛對Krylov 子空間需要更大的余量。示例三自定義矩陣運算類——不持有矩陣也能求解Spectra 最靈活的特性是只要實現(xiàn)矩陣運算接口甚至不需要真正構造矩陣。下面的例子中矩陣以“對角線元素為 1..10”的隱式形式存在Overview.md#include Eigen/Core #include Spectra/SymEigsSolver.h #include iostream using namespace Spectra; // M diag(1, 2, ..., 10) class MyDiagonalTen { public: using Scalar double; // A typedef named Scalar is required int rows() const { return 10; } int cols() const { return 10; } // y_out M * x_in void perform_op(const double *x_in, double *y_out) const { for(int i 0; i rows(); i) { y_out[i] x_in[i] * (i 1); } } }; int main() { MyDiagonalTen op; SymEigsSolverMyDiagonalTen eigs(op, 3, 6); eigs.init(); eigs.compute(SortRule::LargestAlge); if(eigs.info() CompInfo::Successful) { Eigen::VectorXd evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; } return 0; }該程序將得到(10, 9, 8)三個最大特征值注釋同樣出現(xiàn)在 SymEigsSolver.h 的類文檔中。自定義類只需滿足三個要求提供using Scalar ...;類型定義元素類型提供rows()、cols()返回矩陣維度提供perform_op(const Scalar* x_in, Scalar* y_out)實現(xiàn)核心矩陣運算。正是這種“運算即矩陣”的抽象使得 Spectra 可以輕松接入任何能夠高效計算 $Ax$ 的領域代碼——例如 openMVG 中由 LiGT_algorithm.cpp 構造的矩陣運算類。特征值選擇規(guī)則 SortRule9 種規(guī)則與適用邊界compute()的第一個參數(shù)selection決定要提取哪部分特征值。倉庫 SelectionRule.h 完整定義了 9 種規(guī)則SortRule 枚舉值含義適用求解器LargestMagn模絕對值/復數(shù)范數(shù)最大的特征值對稱與一般求解器LargestReal實部最大的特征值僅一般求解器LargestImag虛部按模最大的特征值僅一般求解器LargestAlge代數(shù)值最大的特征值考慮負號僅對稱求解器SmallestMagn模最小的特征值對稱與一般求解器SmallestReal實部最小的特征值僅一般求解器SmallestImag虛部按模最小的特征值僅一般求解器SmallestAlge代數(shù)值最小的特征值僅對稱求解器BothEnds譜的兩端各取一半nev為奇數(shù)時高端多取一個僅對稱求解器底層實現(xiàn)機制從源碼看排序通過 SortingTarget 的特化模板將每個特征值映射為一個“目標值”后升序排序std::sort例如LargestMagn目標為-abs(val)負號是因為升序排序最小的目標值對應最大的模LargestAlge目標為-valBothEnds先按LargestAlge排序再通過 argsort 交錯重排為“最大、最小、次大、次小……”的順序保證無論nev取何值前k個元素都是期望的集合。若使用不兼容的規(guī)則例如對一般矩陣使用LargestAlgeSelectionRule.h 會拋出std::invalid_argument(incompatible selection rule)異常。求解器核心 API 與計算流程對稱系求解器的全部公有接口在基類 SymEigsBase.h 中定義SymEigsSolver、SymEigsShiftSolver、SymGEigsSolver均繼承自它一般矩陣系對應 GenEigsBase.h。核心成員函數(shù)如下成員函數(shù)作用init(const Scalar* init_resid)用用戶提供的初始殘差向量初始化init()用隨機初始殘差向量初始化元素服從獨立的 Uniform(-0.5, 0.5) 分布固定隨機種子見 SymEigsBase.hcompute(selection, maxit, tol, sorting)執(zhí)行主要計算返回收斂的特征值個數(shù)默認參數(shù)為maxit1000、tol1e-10、sortingSortRule::LargestAlgeinfo()返回計算狀態(tài)CompInfonum_iterations()返回迭代次數(shù)num_operations()返回調用的矩陣運算次數(shù)eigenvalues()返回已收斂的特征值向量eigenvectors(nvec)/eigenvectors()返回已收斂的特征向量矩陣按列排列compute() 的四個參數(shù)compute(SortRule selection, Index maxit, Scalar tol, SortRule sorting)SymEigsBase.h中selection選擇規(guī)則決定在全譜中選取哪些特征值如最大的 k 個maxit允許的最大迭代次數(shù)默認 1000tol特征值的精度參數(shù)默認 1e-10收斂判定閾值為tol * max(eps^(2/3), |θ|)其中 θ 為 Ritz 值見 SymEigsBase.hsorting對最終結果的排序規(guī)則僅支持LargestAlge/LargestMagn/SmallestAlge/SmallestMagn四種SymEigsBase.h。計算狀態(tài) CompInfoCompInfo.h 定義了四種狀態(tài)枚舉值含義Successful計算成功NotComputed尚未調用compute()NotConverging部分特征值未收斂compute()會返回已收斂個數(shù)NumericalIssue數(shù)值問題如 Cholesky 分解遇到非正定矩陣典型判讀模式compute()返回值等于請求的nev時全部收斂info()為Successful時方可安全讀取結果。注意eigenvalues()只返回已收斂的特征值未收斂部分不會混入結果。底層算法骨架隱式重啟 Lanczos對稱系求解器內部執(zhí)行“m 步 Lanczos 分解 → 計算 Ritz 對 → 重啟”的循環(huán)SymEigsBase.hfactorize_from(1, ncv, nmatop)建立 Lanczos 分解retrieve_ritzpair(selection)計算并按選擇規(guī)則排序 Ritz 值/向量檢查收斂數(shù)nconv若未達到nev則restart(nev_adj, selection)重啟隱式重啟核心見 SymEigsBase.h對H - μI做 QR 分解、壓縮 H 與 V、再擴展分解達到收斂或maxit上限后按sorting規(guī)則排序并返回。配套的線性代數(shù)基礎設施位于 LinAlg/Lanczos、TridiagEigen、UpperHessenbergQR 等矩陣運算抽象位于 MatOp/。Shift-and-invert 模式尋找靠近 σ 的特征值當需要找最接近某個數(shù) $\sigma$ 的特征值時——例如求正定矩陣的最小特征值此時 $\sigma0$——官方文檔明確建議使用 shift-and-invert 模式。數(shù)學原理如果 $(\lambda, x)$ 是 $A$ 的特征對即 $Ax \lambda x$則對任意 $\sigma$ 有$$(A-\sigma I)^{-1}x \nu x, \quad \nu \frac{1}{\lambda - \sigma}$$也就是說 $(\nu, x)$ 是 $(A-\sigma I)^{-1}$ 的特征對。把矩陣運算 $Ay$ 替換為 $(A-\sigma I)^{-1}y$ 傳給求解器就能得到 $\nu$再通過 $\lambda \sigma \nu^{-1}$ 還原原問題特征值。為什么需要它Spectra以及 ARPACK的算法擅長找大模特征值但在尋找接近零的特征值時可能失效。設 $\sigma0$此時找 $A^{-1}$ 的最大特征值 $\nu$對應 $A$ 的最小特征值 $\lambda$因為 $\nu$ 最大意味著 $\lambda$ 最小。模式要點源碼確認在 shift-and-invert 模式下選擇規(guī)則作用于 $\nu 1/(\lambda-\sigma)$ 而非 $\lambda$。因此LargestMagn 位移 $\sigma$ 找到的是 $A$ 中最接近 $\sigma$的特征值但eigenvalues()始終返回原問題的特征值 $\lambda$而非 $\nu$特征向量在兩種問題下相同還原邏輯在 SymEigsShiftSolver.h 的sort_ritzpair()重寫中實現(xiàn)m_ritz_val 1 / m_ritz_val m_sigma。實際使用SymEigsShiftSolver#include Eigen/Core #include Spectra/SymEigsShiftSolver.h // Spectra/MatOp/DenseSymShiftSolve.h is implicitly included #include iostream using namespace Spectra; int main() { // A size-10 diagonal matrix with elements 1, 2, ..., 10 Eigen::MatrixXd M Eigen::MatrixXd::Zero(10, 10); for (int i 0; i M.rows(); i) M(i, i) i 1; // Construct matrix operation object using the wrapper class DenseSymShiftSolvedouble op(M); // Construct eigen solver object with shift 0 // This will find eigenvalues that are closest to 0 SymEigsShiftSolverDenseSymShiftSolvedouble eigs(op, 3, 6, 0.0); eigs.init(); eigs.compute(SortRule::LargestMagn); if (eigs.info() CompInfo::Successful) { Eigen::VectorXd evalues eigs.eigenvalues(); // Will get (3.0, 2.0, 1.0) std::cout Eigenvalues found:\n evalues std::endl; } return 0; }SymEigsShiftSolver的構造參數(shù)在 SymEigsShiftSolver.h 中為(op, nev, ncv, sigma)構造函數(shù)內部會調用op.set_shift(m_sigma)把位移寫入運算對象。Shift-solve 運算類的底層實現(xiàn)DenseSymShiftSolveDenseSymShiftSolve.h通過set_shift(sigma)對 $A - \sigma I$ 做BKLDLT 分解帶改進的 LDLT見 LinAlg/BKLDLT.hperform_op則調用m_solver.solve(x)完成 $(A-\sigma I)^{-1}x$。若分解失敗例如位移使矩陣奇異set_shift會拋出std::invalid_argument異常DenseSymShiftSolve.h。自定義 shift-solve 運算類與自定義perform_op類似shift-solve 運算類還需額外實現(xiàn)set_shift(Scalar sigma)方法。官方文檔給出了MyDiagonalTenShiftSolve示例Overview.md// M diag(1, 2, ..., 10) class MyDiagonalTenShiftSolve { private: double sigma_; public: using Scalar double; // A typedef named Scalar is required int rows() const { return 10; } int cols() const { return 10; } void set_shift(double sigma) { sigma_ sigma; } // y_out inv(A - sigma * I) * x_in // inv(A - sigma * I) diag(1/(1-sigma), 1/(2-sigma), ...) void perform_op(double *x_in, double *y_out) const { for (int i 0; i rows(); i) { y_out[i] x_in[i] / (i 1 - sigma_); } } }; // 使用找最接近 3.14 的三個特征值得到 4.0, 3.0, 2.0 SymEigsShiftSolverMyDiagonalTenShiftSolve eigs(op, 3, 6, 3.14);廣義特征值問題SymGEigsSolver 的兩種模式SymGEigsSolver解決 $Ax \lambda Bx$$A$ 對稱、$B$ 正定對稱的廣義特征值問題。由 SymGEigsSolver.h 的文檔可知它由模板參數(shù)Mode決定兩種工作模式枚舉定義見 GEigsMode.hCholesky 模式GEigsMode::Cholesky假設 $B$ 可用 Cholesky 分解是優(yōu)先推薦模式第二個運算對象用DenseCholesky/SparseCholesky創(chuàng)建RegularInverse 模式GEigsMode::RegularInverse要求 $Bv$ 與 $B^{-1}v$ 兩種運算僅在 Cholesky 分解難以實現(xiàn)、或 $B^{-1}v$ 計算遠快于 Cholesky 分解時使用第二個運算對象用SparseRegularInverse創(chuàng)建。GEigsMode枚舉還包含ShiftInvert、Buckling、Cayley三種模式GEigsMode.h供對應的廣義 shift-and-invert 系列求解器如SymGEigsShiftSolver使用。openMVG 中的實際集成LiGT 的全局優(yōu)化Spectra 并非孤立捆綁的第三方庫——它已被 openMVG 的核心算法實際調用。在 LiGT 全局優(yōu)化實現(xiàn) 中第 23 行包含third_party/spectra/include/Spectra/SymEigsShiftSolver.h第 27 行using namespace Spectra;第 262 行注釋// Solve Problem by Spectras Eigs 標記了特征值求解入口。這證明了 openMVG 在 LiGT一種用于相機全局位姿優(yōu)化的方法中正是利用 Spectra 的SymEigsShiftSolver完成大規(guī)模特征值求解是以矩陣運算抽象替代整矩陣存儲設計思想的典型生產(chǎn)級應用。若你需要在 openMVG 其他模塊中做特征值分解可直接復用這一集成路徑包含src/third_party/spectra/include/Spectra/下對應頭文件即可無需額外安裝外部依賴。在 openMVG 中的構建與安裝方式Spectra 位于src/third_party/spectra/其自身的 CMakeLists.txt 記錄了版本與集成細節(jié)項目版本1.0.1project (Spectra VERSION 1.0.1 LANGUAGES CXX)作為INTERFACE 庫導出純頭文件無編譯產(chǎn)物target_link_libraries(Spectra INTERFACE Eigen3::Eigen)可選構建開關BUILD_TESTS測試見 test/ 下的 SymEigs.cpp、GenEigs.cpp、SymEigsShift.cpp、SparseSymMatProd.cpp 等與BUILD_EXAMPLES示例見 examples/ 的 DavidsonSymEigs_example.cpp安裝后通過find_package生成Spectra::SpectraCMake target 供其他項目鏈接需要 Eigen 3.x 且 C11 及以上set(CMAKE_CXX_STANDARD 11)。由于是 header-only在 openMVG 內最直接的用法就是直接包含頭文件路徑#include Spectra/SymEigsSolver.h并保證 Eigen 頭文件在 include 路徑中openMVG 已內置 Eigen開箱即用。許可證Spectra采用MPL2Mozilla Public License 2.0開源協(xié)議與 Eigen 相同。許可證文件見 LICENSE版本變更歷史見 CHANGELOG.md1.0.0 起存在 API 破壞性變更遷移說明見 MIGRATION.md?？偨YSpectra 以隱式重啟 Arnoldi/Lanczos 方法為核心算法用 header-only 的輕量形態(tài)和矩陣運算對象 求解器對象的兩段式接口把大規(guī)模特征值計算的門檻降到了僅依賴 Eigen 的程度。在 openMVG 中它不僅是捆綁依賴更是 LiGT 全局優(yōu)化等模塊的運行時引擎。掌握本文的 8 類求解器選型、9 種SortRule選擇規(guī)則、nev/ncv參數(shù)約束與 shift-and-invert 變換即可在 openMVG 及你自己的 C 項目中高效復用這套能力。贊分享計算機視覺科研【免費下載鏈接】openMVGopen Multiple View Geometry library. Basis for 3D computer vision and Structure from Motion.項目地址https://gitcode.com/gh_mirrors/op/openMVG點擊查看免費下載相關推薦OneUptime Host Monitor 完全指南用 OpenTelemetry 主機指標構建服務器監(jiān)控與告警OneUptime Host Monitor 完全指南用 OpenTelemetry 主機指標構建服務器監(jiān)控與告警 本篇技術指南圍繞 OneUptime 的計算機視覺科研SciPy 稀疏特征值問題教程用 ARPACK 的 eigs/eigsh 高效求解大規(guī)模特征值SciPy 稀疏特征值問題教程用 ARPACK 的 eigs/eigsh 高效求解大規(guī)模特征值 導讀 本文深入講解 SciPy 中基于 ARPACK 的大規(guī)?？茖W計算數(shù)據(jù)科學高性能計算【親測免費】 探索Spectra大規(guī)模稀疏矩陣的高效特征值計算庫探索Spectra大規(guī)模稀疏矩陣的高效特征值計算庫 如果你在尋找一個可以處理大型稀疏矩陣并計算其特征值的C庫那么Spectra絕對值得你關注。這個基于E上一篇5大核心功能3種使用場景開源IPTV播放器IPTVnator完整指南下一篇如何給 KernelSU 裝上 meta-overlayfs 元模塊讓模塊真的改得動 /system創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 openMVG 內置的 Spectra 特征值求解器：從 ARPACK 重設計到大規(guī)模稀疏特征值計算實戰(zhàn)
計算機視覺科研【免費下載鏈接】openMVGopen Multiple View Geometry library. Basis for 3D computer vision and Structure from Motion.項目地址https://gitcode.com/gh_mirrors/op/openMVG點擊查看免費下載Spectra是 openMVG 倉庫內src/third_party/spectra/目錄下捆綁的 C 大規(guī)模特征值求解庫全稱SparseEigenvalueComputationToolkit as aRedesignedARPACK。它以頭文件header-only形式隨 openMVG 分發(fā)并在 LiGT 全局優(yōu)化 等模塊中被實際用于求解特征值問題。閱讀本文后你將掌握 Spectra 的設計原理、8 類求解器的選用方法、三種典型調用范式稠密對稱 / 稀疏一般 / 自定義矩陣運算、特征值選擇規(guī)則與 shift-and-invert 模式并理解它是如何被集成進 openMVG 的。Spectra 是什么構建在 Eigen 之上的 C 特征值工具包根據(jù)倉庫內 Spectra 官方總覽 與 README 的說明定位面向大規(guī)模特征值問題的 C 庫構建于開源線性代數(shù)庫 Eigen 之上形態(tài)純 header-only 實現(xiàn)唯一依賴 Eigen 同樣是 header-only 庫因此可以極其輕量地嵌入任何需要計算大型矩陣特征值的 C 項目適用范圍當需要從大型方陣中求出少量特征值時Spectra 通常比計算完整的譜分解spectral decomposition高效得多。與 ARPACK 的關系重設計而非克隆ARPACK 是 FORTRAN 編寫的大規(guī)模特征值求解軟件。Spectra 的開發(fā)深受其啟發(fā)——從全稱即可看出它是 ARPACK 的 C 重設計redesignSpectra 基于 ARPACK Users Guide 描述的隱式重啟 Arnoldi/Lanczos 方法implicitly restarted Arnoldi/Lanczos method但 Spectra不使用 ARPACK 的代碼也不是 ARPACK 的 C 克隆它實現(xiàn)了 ARPACK 的主要算法卻提供了完全不同的接口并且不依賴 ARPACK文檔原文強調 NOT a clone of ARPACK for C。這一設計帶來的直接好處是用戶不需要鏈接任何 FORTRAN 運行時或 ARPACK 庫僅憑 Eigen 即可完成大規(guī)模特征值計算。核心設計思想只算 k 個特征值只暴露矩陣運算Spectra 被設計為計算大型方陣 $A$ 中指定數(shù)量$k$個特征值。通常 $k$ 遠小于矩陣規(guī)模$n$因此只計算少數(shù)特征值和特征向量一般比計算整個譜分解更高效。其最關鍵的抽象是用戶不需要直接提供整個矩陣算法只要求定義在 $A$ 上的某些運算。在基本設定下這個運算就是矩陣-向量乘法$$y Ax$$因此只要矩陣-向量積 $Ax$ 能被高效計算——例如 $A$ 是稀疏矩陣——Spectra 就能在大規(guī)模特征值問題上發(fā)揮威力。這也是它被命名為 Sparse Eigenvalue Computation Toolkit 的原因矩陣運算被當作黑盒稀疏性帶來的加速由用戶端的運算實現(xiàn)自然繼承。使用 Spectra 的兩大步矩陣運算類 求解器對象官方文檔給出了明確的兩步使用流程定義一個實現(xiàn)特定矩陣運算的類例如矩陣-向量乘法 $yAx$或 shift-solve 運算 $y(A-\sigma I)^{-1}x$。Spectra 提供了大量 helper 類來快速從矩陣對象構造這類運算例如Spectra::DenseGenMatProd、Spectra::DenseSymShiftSolve等創(chuàng)建某個特征值求解器類的對象例如面向對稱矩陣的Spectra::SymEigsSolver、面向一般矩陣的Spectra::GenEigsSolver然后調用其成員函數(shù)完成計算并取回特征值與特征向量。8 類求解器全景倉庫src/third_party/spectra/include/Spectra/下實際存在的求解器頭文件與官方文檔列出的求解器一一對應求解器類適用問題說明SymEigsSolver實對稱矩陣 $Ax\lambda x$基礎模式見 SymEigsSolver.hGenEigsSolver一般實矩陣 $Ax\lambda x$特征值/特征向量可為復數(shù)見 GenEigsSolver.hSymEigsShiftSolver實對稱矩陣shift-and-invert 模式找最接近 $\sigma$ 的特征值見 SymEigsShiftSolver.hGenEigsRealShiftSolver一般實矩陣shift-and-invert 模式實數(shù)位移見 GenEigsRealShiftSolver.hGenEigsComplexShiftSolver一般實矩陣shift-and-invert 模式復數(shù)位移見 GenEigsComplexShiftSolver.hSymGEigsSolver廣義特征值問題 $Ax\lambda Bx$實對稱支持 Cholesky / RegularInverse 兩種模式見 SymGEigsSolver.hSymGEigsShiftSolver廣義特征值問題實對稱shift-and-invert 模式見 SymGEigsShiftSolver.hDavidsonSymEigsSolver實對稱矩陣Jacobi-Davidson 算法DPR 校正見 DavidsonSymEigsSolver.h其中SymEigsSolver與GenEigsSolver的默認模板參數(shù)分別是DenseSymMatProddouble與DenseGenMatProddouble見 SymEigsSolver.h這也印證了文檔“兩步走”中的默認用法。示例一稠密對稱矩陣——SymEigsSolver 入門以下示例取自官方文檔Overview.md演示對稱矩陣特征值求解#include Eigen/Core #include Spectra/SymEigsSolver.h // Spectra/MatOp/DenseSymMatProd.h is implicitly included #include iostream using namespace Spectra; int main() { // We are going to calculate the eigenvalues of M Eigen::MatrixXd A Eigen::MatrixXd::Random(10, 10); Eigen::MatrixXd M A A.transpose(); // Construct matrix operation object using the wrapper class DenseSymMatProd DenseSymMatProddouble op(M); // Construct eigen solver object, requesting the largest three eigenvalues SymEigsSolverDenseSymMatProddouble eigs(op, 3, 6); // Initialize and compute eigs.init(); int nconv eigs.compute(SortRule::LargestAlge); // Retrieve results Eigen::VectorXd evalues; if(eigs.info() CompInfo::Successful) evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; return 0; }參數(shù)含義與取值約束源碼級說明從 SymEigsSolver.h 的構造函數(shù)文檔可以確認三個構造參數(shù)op矩陣運算對象實現(xiàn) $Av$ 運算?？捎肈enseSymMatProd/SparseSymMatProd等包裝類也可自定義需定義Scalar類型并實現(xiàn)與DenseSymMatProd相同的公有成員nev請求的特征值個數(shù)必須滿足 $1 \le nev \le n-1$ncv控制算法收斂速度的參數(shù)Krylov 子空間維數(shù)。通常ncv越大收斂越快但內存占用與每輪迭代的矩陣運算量也更大。必須滿足 $nev ncv \le n$建議取 $ncv \ge 2 \cdot nev$。以上約束在 SymEigsBase.h 的構造函數(shù)中通過std::invalid_argument強制校驗不滿足會直接拋異常。DenseSymMatProd的底層實現(xiàn)DenseSymMatProd.h利用 Eigen 的selfadjointViewUplo()只讀取對稱矩陣的下三角默認Eigen::Lower完成 $y A x$因此即使矩陣只填了一半也能正確處理對稱結構。示例二稀疏一般矩陣——SparseGenMatProd 與復數(shù)特征值一般實矩陣非對稱的特征值可能為復數(shù)因此eigenvalues()返回Eigen::VectorXcd。稀疏矩陣通過SparseGenMatProd、SparseSymMatProd等類支持#include Eigen/Core #include Eigen/SparseCore #include Spectra/GenEigsSolver.h #include Spectra/MatOp/SparseGenMatProd.h #include iostream using namespace Spectra; int main() { // A band matrix with 1 on the main diagonal, 2 on the below-main subdiagonal, // and 3 on the above-main subdiagonal const int n 10; Eigen::SparseMatrixdouble M(n, n); M.reserve(Eigen::VectorXi::Constant(n, 3)); for(int i 0; i n; i) { M.insert(i, i) 1.0; if(i 0) M.insert(i - 1, i) 3.0; if(i n - 1) M.insert(i 1, i) 2.0; } // Construct matrix operation object using the wrapper class SparseGenMatProd SparseGenMatProddouble op(M); // Construct eigen solver object, requesting the largest three eigenvalues GenEigsSolverSparseGenMatProddouble eigs(op, 3, 6); // Initialize and compute eigs.init(); int nconv eigs.compute(SortRule::LargestMagn); // Retrieve results Eigen::VectorXcd evalues; if(eigs.info() CompInfo::Successful) evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; return 0; }GenEigsSolver 與 SymEigsSolver 的參數(shù)約束差異一般矩陣的nev/ncv約束與對稱情形不同GenEigsSolver.hnev需滿足 $1 \le nev \le n-2$ncv需滿足 $nev2 \le ncv \le n$建議取 $ncv \ge 2 \cdot nev 1$。這一差異源于一般矩陣特征值為復數(shù)時算法內部需要保留共軛對Krylov 子空間需要更大的余量。示例三自定義矩陣運算類——不持有矩陣也能求解Spectra 最靈活的特性是只要實現(xiàn)矩陣運算接口甚至不需要真正構造矩陣。下面的例子中矩陣以“對角線元素為 1..10”的隱式形式存在Overview.md#include Eigen/Core #include Spectra/SymEigsSolver.h #include iostream using namespace Spectra; // M diag(1, 2, ..., 10) class MyDiagonalTen { public: using Scalar double; // A typedef named Scalar is required int rows() const { return 10; } int cols() const { return 10; } // y_out M * x_in void perform_op(const double *x_in, double *y_out) const { for(int i 0; i rows(); i) { y_out[i] x_in[i] * (i 1); } } }; int main() { MyDiagonalTen op; SymEigsSolverMyDiagonalTen eigs(op, 3, 6); eigs.init(); eigs.compute(SortRule::LargestAlge); if(eigs.info() CompInfo::Successful) { Eigen::VectorXd evalues eigs.eigenvalues(); std::cout Eigenvalues found:\n evalues std::endl; } return 0; }該程序將得到(10, 9, 8)三個最大特征值注釋同樣出現(xiàn)在 SymEigsSolver.h 的類文檔中。自定義類只需滿足三個要求提供using Scalar ...;類型定義元素類型提供rows()、cols()返回矩陣維度提供perform_op(const Scalar* x_in, Scalar* y_out)實現(xiàn)核心矩陣運算。正是這種“運算即矩陣”的抽象使得 Spectra 可以輕松接入任何能夠高效計算 $Ax$ 的領域代碼——例如 openMVG 中由 LiGT_algorithm.cpp 構造的矩陣運算類。特征值選擇規(guī)則 SortRule9 種規(guī)則與適用邊界compute()的第一個參數(shù)selection決定要提取哪部分特征值。倉庫 SelectionRule.h 完整定義了 9 種規(guī)則SortRule 枚舉值含義適用求解器LargestMagn模絕對值/復數(shù)范數(shù)最大的特征值對稱與一般求解器LargestReal實部最大的特征值僅一般求解器LargestImag虛部按模最大的特征值僅一般求解器LargestAlge代數(shù)值最大的特征值考慮負號僅對稱求解器SmallestMagn模最小的特征值對稱與一般求解器SmallestReal實部最小的特征值僅一般求解器SmallestImag虛部按模最小的特征值僅一般求解器SmallestAlge代數(shù)值最小的特征值僅對稱求解器BothEnds譜的兩端各取一半nev為奇數(shù)時高端多取一個僅對稱求解器底層實現(xiàn)機制從源碼看排序通過 SortingTarget 的特化模板將每個特征值映射為一個“目標值”后升序排序std::sort例如LargestMagn目標為-abs(val)負號是因為升序排序最小的目標值對應最大的模LargestAlge目標為-valBothEnds先按LargestAlge排序再通過 argsort 交錯重排為“最大、最小、次大、次小……”的順序保證無論nev取何值前k個元素都是期望的集合。若使用不兼容的規(guī)則例如對一般矩陣使用LargestAlgeSelectionRule.h 會拋出std::invalid_argument(incompatible selection rule)異常。求解器核心 API 與計算流程對稱系求解器的全部公有接口在基類 SymEigsBase.h 中定義SymEigsSolver、SymEigsShiftSolver、SymGEigsSolver均繼承自它一般矩陣系對應 GenEigsBase.h。核心成員函數(shù)如下成員函數(shù)作用init(const Scalar* init_resid)用用戶提供的初始殘差向量初始化init()用隨機初始殘差向量初始化元素服從獨立的 Uniform(-0.5, 0.5) 分布固定隨機種子見 SymEigsBase.hcompute(selection, maxit, tol, sorting)執(zhí)行主要計算返回收斂的特征值個數(shù)默認參數(shù)為maxit1000、tol1e-10、sortingSortRule::LargestAlgeinfo()返回計算狀態(tài)CompInfonum_iterations()返回迭代次數(shù)num_operations()返回調用的矩陣運算次數(shù)eigenvalues()返回已收斂的特征值向量eigenvectors(nvec)/eigenvectors()返回已收斂的特征向量矩陣按列排列compute() 的四個參數(shù)compute(SortRule selection, Index maxit, Scalar tol, SortRule sorting)SymEigsBase.h中selection選擇規(guī)則決定在全譜中選取哪些特征值如最大的 k 個maxit允許的最大迭代次數(shù)默認 1000tol特征值的精度參數(shù)默認 1e-10收斂判定閾值為tol * max(eps^(2/3), |θ|)其中 θ 為 Ritz 值見 SymEigsBase.hsorting對最終結果的排序規(guī)則僅支持LargestAlge/LargestMagn/SmallestAlge/SmallestMagn四種SymEigsBase.h。計算狀態(tài) CompInfoCompInfo.h 定義了四種狀態(tài)枚舉值含義Successful計算成功NotComputed尚未調用compute()NotConverging部分特征值未收斂compute()會返回已收斂個數(shù)NumericalIssue數(shù)值問題如 Cholesky 分解遇到非正定矩陣典型判讀模式compute()返回值等于請求的nev時全部收斂info()為Successful時方可安全讀取結果。注意eigenvalues()只返回已收斂的特征值未收斂部分不會混入結果。底層算法骨架隱式重啟 Lanczos對稱系求解器內部執(zhí)行“m 步 Lanczos 分解 → 計算 Ritz 對 → 重啟”的循環(huán)SymEigsBase.hfactorize_from(1, ncv, nmatop)建立 Lanczos 分解retrieve_ritzpair(selection)計算并按選擇規(guī)則排序 Ritz 值/向量檢查收斂數(shù)nconv若未達到nev則restart(nev_adj, selection)重啟隱式重啟核心見 SymEigsBase.h對H - μI做 QR 分解、壓縮 H 與 V、再擴展分解達到收斂或maxit上限后按sorting規(guī)則排序并返回。配套的線性代數(shù)基礎設施位于 LinAlg/Lanczos、TridiagEigen、UpperHessenbergQR 等矩陣運算抽象位于 MatOp/。Shift-and-invert 模式尋找靠近 σ 的特征值當需要找最接近某個數(shù) $\sigma$ 的特征值時——例如求正定矩陣的最小特征值此時 $\sigma0$——官方文檔明確建議使用 shift-and-invert 模式。數(shù)學原理如果 $(\lambda, x)$ 是 $A$ 的特征對即 $Ax \lambda x$則對任意 $\sigma$ 有$$(A-\sigma I)^{-1}x \nu x, \quad \nu \frac{1}{\lambda - \sigma}$$也就是說 $(\nu, x)$ 是 $(A-\sigma I)^{-1}$ 的特征對。把矩陣運算 $Ay$ 替換為 $(A-\sigma I)^{-1}y$ 傳給求解器就能得到 $\nu$再通過 $\lambda \sigma \nu^{-1}$ 還原原問題特征值。為什么需要它Spectra以及 ARPACK的算法擅長找大模特征值但在尋找接近零的特征值時可能失效。設 $\sigma0$此時找 $A^{-1}$ 的最大特征值 $\nu$對應 $A$ 的最小特征值 $\lambda$因為 $\nu$ 最大意味著 $\lambda$ 最小。模式要點源碼確認在 shift-and-invert 模式下選擇規(guī)則作用于 $\nu 1/(\lambda-\sigma)$ 而非 $\lambda$。因此LargestMagn 位移 $\sigma$ 找到的是 $A$ 中最接近 $\sigma$的特征值但eigenvalues()始終返回原問題的特征值 $\lambda$而非 $\nu$特征向量在兩種問題下相同還原邏輯在 SymEigsShiftSolver.h 的sort_ritzpair()重寫中實現(xiàn)m_ritz_val 1 / m_ritz_val m_sigma。實際使用SymEigsShiftSolver#include Eigen/Core #include Spectra/SymEigsShiftSolver.h // Spectra/MatOp/DenseSymShiftSolve.h is implicitly included #include iostream using namespace Spectra; int main() { // A size-10 diagonal matrix with elements 1, 2, ..., 10 Eigen::MatrixXd M Eigen::MatrixXd::Zero(10, 10); for (int i 0; i M.rows(); i) M(i, i) i 1; // Construct matrix operation object using the wrapper class DenseSymShiftSolvedouble op(M); // Construct eigen solver object with shift 0 // This will find eigenvalues that are closest to 0 SymEigsShiftSolverDenseSymShiftSolvedouble eigs(op, 3, 6, 0.0); eigs.init(); eigs.compute(SortRule::LargestMagn); if (eigs.info() CompInfo::Successful) { Eigen::VectorXd evalues eigs.eigenvalues(); // Will get (3.0, 2.0, 1.0) std::cout Eigenvalues found:\n evalues std::endl; } return 0; }SymEigsShiftSolver的構造參數(shù)在 SymEigsShiftSolver.h 中為(op, nev, ncv, sigma)構造函數(shù)內部會調用op.set_shift(m_sigma)把位移寫入運算對象。Shift-solve 運算類的底層實現(xiàn)DenseSymShiftSolveDenseSymShiftSolve.h通過set_shift(sigma)對 $A - \sigma I$ 做BKLDLT 分解帶改進的 LDLT見 LinAlg/BKLDLT.hperform_op則調用m_solver.solve(x)完成 $(A-\sigma I)^{-1}x$。若分解失敗例如位移使矩陣奇異set_shift會拋出std::invalid_argument異常DenseSymShiftSolve.h。自定義 shift-solve 運算類與自定義perform_op類似shift-solve 運算類還需額外實現(xiàn)set_shift(Scalar sigma)方法。官方文檔給出了MyDiagonalTenShiftSolve示例Overview.md// M diag(1, 2, ..., 10) class MyDiagonalTenShiftSolve { private: double sigma_; public: using Scalar double; // A typedef named Scalar is required int rows() const { return 10; } int cols() const { return 10; } void set_shift(double sigma) { sigma_ sigma; } // y_out inv(A - sigma * I) * x_in // inv(A - sigma * I) diag(1/(1-sigma), 1/(2-sigma), ...) void perform_op(double *x_in, double *y_out) const { for (int i 0; i rows(); i) { y_out[i] x_in[i] / (i 1 - sigma_); } } }; // 使用找最接近 3.14 的三個特征值得到 4.0, 3.0, 2.0 SymEigsShiftSolverMyDiagonalTenShiftSolve eigs(op, 3, 6, 3.14);廣義特征值問題SymGEigsSolver 的兩種模式SymGEigsSolver解決 $Ax \lambda Bx$$A$ 對稱、$B$ 正定對稱的廣義特征值問題。由 SymGEigsSolver.h 的文檔可知它由模板參數(shù)Mode決定兩種工作模式枚舉定義見 GEigsMode.hCholesky 模式GEigsMode::Cholesky假設 $B$ 可用 Cholesky 分解是優(yōu)先推薦模式第二個運算對象用DenseCholesky/SparseCholesky創(chuàng)建RegularInverse 模式GEigsMode::RegularInverse要求 $Bv$ 與 $B^{-1}v$ 兩種運算僅在 Cholesky 分解難以實現(xiàn)、或 $B^{-1}v$ 計算遠快于 Cholesky 分解時使用第二個運算對象用SparseRegularInverse創(chuàng)建。GEigsMode枚舉還包含ShiftInvert、Buckling、Cayley三種模式GEigsMode.h供對應的廣義 shift-and-invert 系列求解器如SymGEigsShiftSolver使用。openMVG 中的實際集成LiGT 的全局優(yōu)化Spectra 并非孤立捆綁的第三方庫——它已被 openMVG 的核心算法實際調用。在 LiGT 全局優(yōu)化實現(xiàn) 中第 23 行包含third_party/spectra/include/Spectra/SymEigsShiftSolver.h第 27 行using namespace Spectra;第 262 行注釋// Solve Problem by Spectras Eigs 標記了特征值求解入口。這證明了 openMVG 在 LiGT一種用于相機全局位姿優(yōu)化的方法中正是利用 Spectra 的SymEigsShiftSolver完成大規(guī)模特征值求解是以矩陣運算抽象替代整矩陣存儲設計思想的典型生產(chǎn)級應用。若你需要在 openMVG 其他模塊中做特征值分解可直接復用這一集成路徑包含src/third_party/spectra/include/Spectra/下對應頭文件即可無需額外安裝外部依賴。在 openMVG 中的構建與安裝方式Spectra 位于src/third_party/spectra/其自身的 CMakeLists.txt 記錄了版本與集成細節(jié)項目版本1.0.1project (Spectra VERSION 1.0.1 LANGUAGES CXX)作為INTERFACE 庫導出純頭文件無編譯產(chǎn)物target_link_libraries(Spectra INTERFACE Eigen3::Eigen)可選構建開關BUILD_TESTS測試見 test/ 下的 SymEigs.cpp、GenEigs.cpp、SymEigsShift.cpp、SparseSymMatProd.cpp 等與BUILD_EXAMPLES示例見 examples/ 的 DavidsonSymEigs_example.cpp安裝后通過find_package生成Spectra::SpectraCMake target 供其他項目鏈接需要 Eigen 3.x 且 C11 及以上set(CMAKE_CXX_STANDARD 11)。由于是 header-only在 openMVG 內最直接的用法就是直接包含頭文件路徑#include Spectra/SymEigsSolver.h并保證 Eigen 頭文件在 include 路徑中openMVG 已內置 Eigen開箱即用。許可證Spectra采用MPL2Mozilla Public License 2.0開源協(xié)議與 Eigen 相同。許可證文件見 LICENSE版本變更歷史見 CHANGELOG.md1.0.0 起存在 API 破壞性變更遷移說明見 MIGRATION.md?？偨YSpectra 以隱式重啟 Arnoldi/Lanczos 方法為核心算法用 header-only 的輕量形態(tài)和矩陣運算對象 求解器對象的兩段式接口把大規(guī)模特征值計算的門檻降到了僅依賴 Eigen 的程度。在 openMVG 中它不僅是捆綁依賴更是 LiGT 全局優(yōu)化等模塊的運行時引擎。掌握本文的 8 類求解器選型、9 種SortRule選擇規(guī)則、nev/ncv參數(shù)約束與 shift-and-invert 變換即可在 openMVG 及你自己的 C 項目中高效復用這套能力。贊分享計算機視覺科研【免費下載鏈接】openMVGopen Multiple View Geometry library. Basis for 3D computer vision and Structure from Motion.項目地址https://gitcode.com/gh_mirrors/op/openMVG點擊查看免費下載相關推薦OneUptime Host Monitor 完全指南用 OpenTelemetry 主機指標構建服務器監(jiān)控與告警OneUptime Host Monitor 完全指南用 OpenTelemetry 主機指標構建服務器監(jiān)控與告警 本篇技術指南圍繞 OneUptime 的計算機視覺科研SciPy 稀疏特征值問題教程用 ARPACK 的 eigs/eigsh 高效求解大規(guī)模特征值SciPy 稀疏特征值問題教程用 ARPACK 的 eigs/eigsh 高效求解大規(guī)模特征值 導讀 本文深入講解 SciPy 中基于 ARPACK 的大規(guī)?？茖W計算數(shù)據(jù)科學高性能計算【親測免費】 探索Spectra大規(guī)模稀疏矩陣的高效特征值計算庫探索Spectra大規(guī)模稀疏矩陣的高效特征值計算庫 如果你在尋找一個可以處理大型稀疏矩陣并計算其特征值的C庫那么Spectra絕對值得你關注。這個基于E上一篇5大核心功能3種使用場景開源IPTV播放器IPTVnator完整指南下一篇如何給 KernelSU 裝上 meta-overlayfs 元模塊讓模塊真的改得動 /system創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考