MKL稀疏矩阵运算示例及函数封装-Toy模板网

这篇具有很好参考价值的文章主要介绍了MKL稀疏矩阵运算示例及函数封装。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Intel MKL库提供了大量优化程度高、效率快的稀疏矩阵算法，使用MKL库的将大型矩阵进行稀疏表示后，利用稀疏矩阵运算可大量节省计算时间和空间，但由于MKL中的原生API接口繁杂，因此将常用函数封装，便于后续使用，最后在实际例子中调用接口执行想要的矩阵运算。

0 稀疏矩阵

稀疏矩阵是指矩阵中大部分元素为0的矩阵。存储这些0值数据会耗费大量的存储空间，并且计算时也会产生不必要的时间浪费。为了更有效地存储和处理这种类型的矩阵，有几种不同的稀疏矩阵格式。

下面是几种常见的稀疏矩阵格式：

COO格式：COO格式（坐标格式）用三个数组存储非零元素的行、列索引以及值。
CSR格式：CSR格式（压缩行格式）用三个数组存储矩阵的非零元素值、列索引和行指针。行指针数组指示每行中第一个非零元素的位置。
CSC格式：CSC格式（压缩列格式）与CSR格式类似，但是是按列存储非零元素。
DIA格式：DIA格式（对角线格式）使用一个二维数组存储非零元素。数组中的每一行表示矩阵的一个对角线，并且只有矩阵中存在的对角线上的元素才被存储。
BSR格式：BSR格式（块压缩行格式）用四个数组存储矩阵的非零元素。其中三个数组与CSR格式相同，第四个数组存储块的大小。
ELL格式：ELL格式（行程格式）使用两个数组存储矩阵的非零元素。其中一个数组存储元素的值，另一个数组存储元素在每行中的位置。每行中最大非零元素数量相同。

MKL中主要用到的稀疏矩阵格式有COO，CSR及CSC（与CSR类似）三种，以下将简要介绍COO格式与CSR格式：

(1)COO(Coordinate,坐标格式)

也被称为三元组格式，在 COO 格式中，每一个非零元素都用一个三元组 (row, column, value) 来表示，其中 row 和 column 分别代表该元素所在的行和列的索引，value 则代表该元素的值。由于 COO 格式中的非零元素的存储是无序的，因此在进行矩阵向量乘法等操作时，需要对 COO 格式进行排序。

COO 格式的优点：非常简单直观，易于理解和实现，同时可以处理任意稀疏度的矩阵。

缺点：存储开销较大，需要存储每个非零元素的行列索引，同时由于无序存储的缘故，在进行一些稀疏矩阵的计算时会需要排序，因此在效率上可能不如其他稀疏矩阵格式。

例：

(2)CSR(Compressed Sparse Row,行压缩格式)

常用于稀疏矩阵的存储和计算，CSR格式通过将矩阵的非零元素存储在一个一维数组中，并用两个一维数组存储行指针和列指针，来有效地压缩稀疏矩阵的存储空间。

CSR格式的一维数组包含三个部分：数据、列索引和行指针。假设稀疏矩阵的大小为m × n，其中非零元素个数为nnz。分别介绍这三个数组的含义：

数据数组（values array）：存储非零元素的值，大小为nnz。
列索引数组（column indices array）：存储每个非零元素所在的列数，大小为nnz。
行指针数组（row pointer array）：存储每一行的第一个非零元素在数据数组中的下标，大小为m+1。

例：

1 稀疏矩阵乘法

所用示例如下，矩阵A、B分别为

\[A = {\left[ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} 1&{ - 1} \end{array}}&{ - 3}&0&0\\ {\begin{array}{*{20}{c}} { - 2}&5 \end{array}}&0&0&0\\ {\begin{array}{*{20}{c}} 0&0 \end{array}}&4&6&4\\ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{l}} { - 4}\\ 0\\ 1 \end{array}}&{\begin{array}{*{20}{l}} 0\\ 8\\ 0 \end{array}} \end{array}}&{\begin{array}{*{20}{l}} 2\\ 0\\ 0 \end{array}}&{\begin{array}{*{20}{l}} 7\\ 0\\ 0 \end{array}}&{\begin{array}{*{20}{l}} 0\\ { - 5}\\ 0 \end{array}} \end{array}} \right]_{6 \times 5}}{\begin{array}{*{20}{c}} {}&{B = \left[ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} 1\\ { - 2} \end{array}}&{\begin{array}{*{20}{c}} { - 1}\\ 5 \end{array}}&{\begin{array}{*{20}{c}} { - 3}\\ 0 \end{array}}&{\begin{array}{*{20}{c}} 0\\ 0 \end{array}}\\ 0&0&4&6\\ { - 4}&0&2&7\\ 0&8&0&0 \end{array}} \right]} \end{array}_{5 \times 4}} \]

(1)matlab计算结果

作为标准答案，验证后续调用的正确性。

A=[1,-1,-3,0,0;
  -2,5,0,0,0;
   0,0,4,6,4;
  -4,0,2,7,0;
   0,8,0,0,-5;
   1,0,0,0,0];

B=[1,-1,-3,0;
  -2,5,0,0;
   0,0,4,6;
  -4,0,2,7;
   0,8,0,0];

A*B

输出为：

(2)稀疏矩阵X稠密矩阵

用于计算稀疏矩阵(COO格式表示)的矩阵$A$，与稠密矩阵$B$的乘积。

函数将使用MKL库中的稀疏矩阵乘法接口mkl_sparse_s_mm实现$y = alpha * A * x + beta * y$，具体用法及参数详解如下：

mkl_sparse_s_mm(operation, //表示矩阵乘法的操作类型，可以是普通/转置/共轭转置
                alpha,	//乘法系数
                A, 	//稀疏矩阵A
                descr, //结构体，描述矩阵的属性，包括存储格式、存储顺序等
                SPARSE_LAYOUT_ROW_MAJOR,//矩阵存储顺序
                x,	//X矩阵，稠密
                columns, // 矩阵x的列数
                ldx, 	//矩阵x的第一维
                beta,	//加法后系数
                y,	//y矩阵，即输出矩阵
                ldy	//矩阵y的第一维
               );

此流程简述如下：

获取待稀疏表示矩阵$A$的COO格式（ia,ja,value），以及非零元素个数nnz；
根据三组数据创建COO格式稀疏矩阵，并通过MKL转换接口将其转为CSR格式；
执行稀疏矩阵csrA与稠密矩阵denseB的乘积，使用mkl_sparse_s_mm接口计算矩阵乘法，结果为稠密矩阵C；
将计算结果转为需要的尺寸（此例为二维数组）返回。

稀疏矩阵coo乘稠密矩阵接口

/*
输入：
ia  稀疏矩阵A的行索引，一维MKL整型
ja  稀疏矩阵A的列索引，一维MKL整型
a  稀疏矩阵A的数据值，一维浮点型
nnz	非零元素个数
denseB  稠密矩阵B数据，类型为float型的二维数组
rowsA  稀疏矩阵A的行数
colsA  稀疏矩阵A的列数
colsC  A、B两矩阵相乘结果C的列数
flag 对稀疏矩阵A的操作，选项为0、1、2。0-A  1-AT(A矩阵的转置)  2-AH(A矩阵的共轭转置) 默认为0
allocType  二维矩阵定义方式，
        allocType=0时，定义为A=alloc(row,col), A[col][row](第一维表示列，第二维表示行)
        allocType=1时，定义为A=alloc(col,row), A[row][col](第一维表示行，第二维表示列)
输出：
denseC  稠密矩阵C数据，为A与B相乘后的结果，类型为float型的二维数组
*/
bool MKL_Sparse_CooXDense(MKL_INT *ia, MKL_INT *ja, float *a, int nnz, float **denseB, float **denseC, int rowsA, int colsA, int colsC, int flag, int allocType);

函数代码

bool MKL_Sparse_CooXDense(MKL_INT *ia, MKL_INT *ja, float *a, int nnz, float **denseB, float **denseC, int rowsA, int colsA, int colsC, int flag, int allocType) {

	//生成csr格式稀疏矩阵
	sparse_matrix_t csrA, cooA;
	sparse_status_t status = mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		rowsA,    // number of rows
		colsA,    // number of cols
		nnz,  // number of nonzeros
		ia,
		ja,
		a);
	if (status != SPARSE_STATUS_SUCCESS) {
		printf("Error creating COO sparse matrix.\n");
	}
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);

	//调用mkl稀疏矩阵与稠密矩阵乘法  C=alpha*op(A)*B+beta*C
	double alpha = 1.0;
	double beta = 0.0;
	int M, N, K;
	int ncols, ldx, ldy;

	if (allocType == 0) {

		if (flag == 1 || flag == 2) {	//转置或共轭转置，AT或AH
			M = colsA;
			N = rowsA;
			K = colsC;
			ncols = N;
			ldx = N;
			ldy = M;
		}
		else {	//默认的情况下，A
			M = rowsA;
			N = colsA;
			K = colsC;
			ncols = N;
			ldx = N;
			ldy = M;
		}
		//将二维稠密矩阵B转为一维
		float *denseB1D = (float*)mkl_malloc(N*K * sizeof(float), 64);
		for (int i = 0; i < K; i++) {
			memcpy(denseB1D + i * N, denseB[i], N * sizeof(float));
		}

		struct matrix_descr descr = { SPARSE_MATRIX_TYPE_GENERAL, SPARSE_FILL_MODE_FULL, SPARSE_DIAG_NON_UNIT };

		float *denseC1D = (float*)mkl_malloc(M * K * sizeof(float), 64);
		sparse_operation_t operation = SPARSE_OPERATION_NON_TRANSPOSE;  //默认 op(A)=A;
		if (flag == 0) {   //稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		if (flag == 1) {//稀疏矩阵 op(A)=AT
			operation = SPARSE_OPERATION_TRANSPOSE;
		}
		else if (flag == 2)
		{    //稀疏矩阵 op(A)=AH
			operation = SPARSE_OPERATION_CONJUGATE_TRANSPOSE;
		}
		else {//稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		mkl_sparse_s_mm(operation, alpha, csrA, descr, SPARSE_LAYOUT_COLUMN_MAJOR, denseB1D, ncols, ldx, beta, denseC1D, ldy);

		//将计算结果转为2维
		for (int i = 0; i < K; i++) {
			memcpy(denseC[i], denseC1D + i * M, M * sizeof(float));
		}
		mkl_free(denseB1D);
		mkl_free(denseC1D);
	}

	if (allocType == 1) {

		if (flag == 1 || flag == 2) {	//转置或共轭转置，AT或AH
			M = colsA;
			N = rowsA;
			K = colsC;
			ncols = K;
			ldx = K;
			ldy = K;
		}
		else {	//默认的情况下，A
			M = rowsA;
			N = colsA;
			K = colsC;
			ncols = N;
			ldx = K;
			ldy = K;
		}
		//将二维稠密矩阵B转为一维
		float *denseB1D = (float*)mkl_malloc(N*K * sizeof(float), 64);
		for (int i = 0; i < N; i++) {
			memcpy(denseB1D + i * K, denseB[i], K * sizeof(float));
		}

		struct matrix_descr descr = { SPARSE_MATRIX_TYPE_GENERAL, SPARSE_FILL_MODE_FULL, SPARSE_DIAG_NON_UNIT };

		float *denseC1D = (float*)mkl_malloc(M * K * sizeof(float), 64);
		sparse_operation_t operation = SPARSE_OPERATION_NON_TRANSPOSE;  //默认 op(A)=A;
		if (flag == 0) {   //稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		if (flag == 1) {//稀疏矩阵 op(A)=AT
			operation = SPARSE_OPERATION_TRANSPOSE;
		}
		else if (flag == 2)
		{    //稀疏矩阵 op(A)=AH
			operation = SPARSE_OPERATION_CONJUGATE_TRANSPOSE;
		}
		else {//稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		mkl_sparse_s_mm(operation, alpha, csrA, descr, SPARSE_LAYOUT_ROW_MAJOR, denseB1D, ncols, ldx, beta, denseC1D, ldy);

		//将计算结果转为2维
		for (int i = 0; i < M; i++) {
			memcpy(denseC[i], denseC1D + i * K, K * sizeof(float));
		}
		mkl_free(denseB1D);
		mkl_free(denseC1D);
	}

	//释放
	mkl_sparse_destroy(csrA);
	mkl_sparse_destroy(cooA);

	return true;

}

执行main.cpp中的MKL_Sparse_CooXDense_Demo()后，

(3)稀疏矩阵X稀疏矩阵

两个稀疏矩阵的乘法，使用mkl_sparse_spmm接口实现$C = op(A) * B$，该接口的用法相对简单，

mkl_sparse_spmm(SPARSE_OPERATION_NON_TRANSPOSE,//是否对A矩阵进行操作
                csrA, 	//A矩阵，CSR格式
                csrB,	//B矩阵，CSR格式
                &csrC	//C矩阵，CSR格式
               );

在进行稀疏矩阵示例之前，先补充两个封装函数：MKL_Coo2Csr()、Print_Sparse_Csr_Matrix()。

/*
函数功能：根据已知坐标、元素值，创建CSR稀疏矩阵
输入：
float *a    稀疏矩阵的值  ----参照稀疏矩阵的coo格式
MKL_INT *ia  稀疏矩阵的行指针
MKL_INT *ja  稀疏矩阵的列索引
int     nnz  稀疏矩阵的数量
int     nrows稀疏矩阵的行数
int     ncols稀疏矩阵的列数
输出：
sparse_matrix_t   CSR格式稀疏矩阵
*/
sparse_matrix_t MKL_Coo2Csr(int* ia, int *ja, float *a, int nrows, int ncols, int nnz) {

	//建立coo矩阵A 与 csrA矩阵
	sparse_matrix_t cooA, csrA;

	mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		nrows,    // number of rows
		ncols,    // number of cols
		nnz,  // number of nonzeros
		ia,
		ja,
		a);

	//coo转csr
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);

	//释放cooA矩阵
	mkl_sparse_destroy(cooA);

	//返回csrA矩阵
	return csrA;
}

/*
函数功能：打印CSR稀疏矩阵的前n行n列元素
输入：
sparse_matrix_t   CSR格式稀疏矩阵
int m   前m行
int n	前n列
*/

void Print_Sparse_Csr_Matrix(sparse_matrix_t csrA,int m,int n) {
	sparse_index_base_t indexing;
	int nrows;
	int ncols;
	MKL_INT* csr_row_start;
	MKL_INT* csr_row_end;
	MKL_INT* csr_col_indx;
	float* csr_values;

	mkl_sparse_s_export_csr(csrA, &indexing, &nrows, &ncols, &csr_row_start, &csr_row_end, &csr_col_indx, &csr_values);

	float **A_dense = alloc2float(ncols, nrows);
	memset(A_dense[0], 0, nrows*ncols * sizeof(float));

	//将value转换为普通二维数组
	for (int i = 0; i < nrows; i++) {
		for (int j = csr_row_start[i]; j < csr_row_start[i + 1]; j++) {
			A_dense[i][csr_col_indx[j]] = csr_values[j];
		}
	}
	//输出稠密矩阵
	for (int i = 0; i < m; i++) {
		for (int j = 0; j < n; j++) {
			printf("%f ", A_dense[i][j]);
		}
		printf("\n");
	}
	free2float(A_dense);
}

稀疏矩阵(csr)乘稀疏矩阵(csr)接口

/*
输入：
float *a    稀疏矩阵A的属性  ----参照稀疏矩阵的coo格式
MKL_INT *ia  
MKL_INT *ja  
int     nnzA 
int    rowsA 
int    colsA 
float *b    稀疏矩阵B的属性  ----参照稀疏矩阵的coo格式
MKL_INT *ib  
MKL_INT *jb  
int     nnzB 
int    rowsB 
int    colsB 

输出：
sparse_matrix_t  稀疏矩阵C(A*B)
*/
sparse_matrix_t MKL_Sparse_CooXCoo(
	int* ia, int *ja, float *a, int rowsA, int colsA, int nnzA,
	int* ib, int *jb, float *b, int rowsB, int colsB, int nnzB);

函数代码

sparse_matrix_t MKL_Sparse_CooXCoo(
	int* ia, int *ja, float *a, int rowsA, int colsA, int nnzA,
	int* ib, int *jb, float *b, int rowsB, int colsB, int nnzB) {

	//根据坐标创建csrA和csrB
	sparse_matrix_t csrA, csrB, csrC;
	csrA = MKL_Coo2Csr(ia, ja, a, rowsA, colsA, nnzA);
	csrB = MKL_Coo2Csr(ib, jb, b, rowsB, colsB, nnzB);

	//csrC创建
	mkl_sparse_d_create_csr(&csrC,
		SPARSE_INDEX_BASE_ZERO,
		rowsA,    // number of rows
		colsB,    // number of cols
		NULL,  // number of nonzeros
		NULL,
		NULL,
		NULL);
        //MKL乘法
	mkl_sparse_spmm(SPARSE_OPERATION_NON_TRANSPOSE, csrA, csrB, &csrC);
	//释放矩阵A和B
	mkl_sparse_destroy(csrA);
	mkl_sparse_destroy(csrB);
	return csrC;
}

执行main.cpp中的MKL_Sparse_CooXCoo_Demo()后，

计算结果与matlab结果一致。

2 稀疏矩阵求逆

(1)matlab计算结果

作为标准答案，验证后续调用的正确性。

A = [1 2 4 0 0; 
    2 2 0 0 0;
    4 0 3 0 0;
    0 0 0 4 0;
    0 0 0 0 5];

A_inv = inv(A)

输出为：

(2)MKL计算

MKL的求逆计算相对复杂，以下将介绍MKL中的高性能稀疏线性方程组求解器PARDISO(Parallel Direct Sparse Solver Interface)，PARDISO 实现了高效的并行算法和内存管理技术，可以处理大规模、高度稀疏的线性方程组求解，并具有高性能和可扩展性。

PARDISO 的求解过程包括以下几个步骤：

输入矩阵：提供线性方程组的稀疏矩阵$A$，稀疏CSR格式。
分析矩阵：对矩阵进行预处理和分解，生成求解器所需的数据结构和信息，包括消元树、消元顺序、LU 分解等。
求解线性方程组：使用 LU 分解求解线性方程组，可以直接求解$ A X = B $或者$ AX = λX $问题。
输出解向量：输出求解得到的解向量 $X$。

在我们使用PARDISO接口求逆时，思路为将$B$设为单位阵，此时求解$X$即为矩阵$A$的逆$A^{-1}$。

关于PARDISO接口参数的详细描述参考oneMKL PARDISO Parameters in Tabular Form (intel.com)，以下简单介绍：

PARDISO(pt, &maxfct, &mnum, &mtype, &phase, &n, a, ia, ja, &perm, &nrhs, iparm, &msglvl, b, x, &error);

pt：指向PARDISO内部数据结构的指针。数组长度为64，必须用零初始化，并且不再改动。
maxfct：最大因子数，通常设置为1。
mnum：与maxfct一起使用，用于区分不同的矩阵。
mtype：矩阵类型。具体取值如下：
- 1 - 实对称矩阵；
- 2 - 实对称正定矩阵；
- -2 - 实对称不定矩阵；
- 3 - 复对称矩阵；
- 11 - 实数、非对称矩阵；
phase：指定PARDISO的阶段。具体取值如：
- 11-分析阶段；
- 12-分析、数值分解阶段；
- 13-分析、数值分解、求解阶段；
- 22-数值分解阶段；
- 23-数值分解、求解阶段；
- 33-求解、迭代阶段；
- -1-释放所有矩阵内存；
n：$AX=B$的方程个数，简记为矩阵$A$的行。
a：稀疏矩阵$A$的非零元素（CSR格式中的values）。
ia：CSR格式中的行索引。
ja：CSR格式中的列索引。
perm：保存大小为 n 的置换向量。
nrhs：官方解释为：需要求解的右侧数(Number of right-hand sides that need to be solved for)，一般为1。
iparm：iparm是PARDISO中的一个长度为64的整数数组，用于控制PARDISO求解器的行为。iparm中每个参数的详细说明参见pardiso iparm Parameter (intel.com)，以下仅列出一些常用且便于理解的参数：
- iparm[0]：0-使用默认值，非0-使用自定义参数；
- iparm[11]：对稀疏矩阵A进行操作后求解。0-求解$AX=B$，1-求解$A^HX=B$，2-求解$A^TX=B$；
- iparm[12]: 使用（非）对称加权匹配提高准确性，0-禁用，1-开启；
- iparm[27]: 单精度/双精度，0-double，1-float；
- iparm[34]: 以0或1作为初始索引，0-从1开始索引，1-从0开始索引；
msglvl：Message level information，0-不生成输出，1-打印计算信息。
b：$B$矩阵。
x：$X$矩阵。
error：错误代码。

稀疏矩阵求逆接口

/*
输入：
float *a    稀疏矩阵的值  ----参照稀疏矩阵的csr格式
MKL_INT *ia  稀疏矩阵的行指针
MKL_INT *ja  稀疏矩阵的列索引
int     nnz  稀疏矩阵的数量
int     n    稀疏矩阵的维度 n*n
MKL_INT mtype 稀疏矩阵类型
输出：
float **Ainv   [稠密矩阵]稀疏矩阵的逆 n*n   
*/
bool MKL_Sparse_Inverse(float **Ainv, float *a, MKL_INT *ia, MKL_INT *ja, int nnz, int n,MKL_INT mtype);

函数代码

在代码中对求逆步骤进行解释

bool MKL_Sparse_Inverse(float **Ainv, float *a, MKL_INT *ia, MKL_INT *ja, int nnz, int n, MKL_INT mtype) {
	/*STEP1 根据输入数组创建COO格式稀疏矩阵*/
    
	//由于CSR格式不易表示，所以采取的路线为通过坐标创建COO格式矩阵
	//再通过mkl接口将COO矩阵转为CSR矩阵
	sparse_matrix_t csrA, cooA;

	sparse_status_t status = mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		n,    // 稀疏矩阵的行、列
		n,
		nnz,  // 非零元素个数
		ia,//行索引                                      
		ja,//列索引
		a);//矩阵元素值
	if (status != SPARSE_STATUS_SUCCESS) {
		printf("Error creating COO sparse matrix.\n");
	}
	//coo转csr格式
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);
	/*STEP2 根据CSR格式稀疏矩阵得到其ia,ja,a三组数据*/
	sparse_index_base_t indexing;
	int nrows;
	int ncols;
	MKL_INT* ia_csr = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);//csr格式的行指针
	MKL_INT* csr_row_end = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	MKL_INT* ja_csr = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);//csr格式的列索引
	float* a_csr = (float*)mkl_malloc(nnz * sizeof(float), 64);//csr格式的矩阵值
	//利用mkl_sparse_s_export_csr接口实现
	mkl_sparse_s_export_csr(csrA, &indexing, &nrows, &ncols, &ia_csr, &csr_row_end, &ja_csr, &a_csr);

	/*Step3 设置稀疏矩阵参数*/
	//初始化B矩阵和X矩阵
	float *b = NULL;   //保存单位矩阵用于求逆
	float *x = NULL;   //解矩阵
	b = (float*)mkl_malloc(n*n * sizeof(float), 64);
	x = (float*)mkl_malloc(n*n * sizeof(float), 64);
	//将B矩阵初始化为单位阵
	for (int i = 0; i < n; i++) {
		for (int j = 0; j < n; j++) {
			if (i == j) {
				b[i*n + j] = 1;
			}
			else {
				b[i*n + j] = 0;
			}
		}
	}

	//初始化pt
	void *pt[64];
	for (int i = 0; i < 64; i++)
	{
		pt[i] = 0;
	}

	//初始化矩阵相关控制参数
	MKL_INT maxfct = 1;
	MKL_INT mnum = 1;
	MKL_INT phase = 1;
	MKL_INT perm = 0;
	MKL_INT nrhs = n;
	MKL_INT error = 0;
	MKL_INT msglvl = 0;

	//设置iparm参数
	MKL_INT iparm[64];
	//批量初始化
	for (int i = 0; i < 64; i++)
	{
		iparm[i] = 0;
	}
	iparm[0] = 1;	//开启自定义
	iparm[12] = 1;  //提高准确性
	iparm[27] = 1;  //为float型
	iparm[34] = 1;  //初始索引为0

	/*Step4 分析矩阵、数值分解、求解*/
	phase = 13;	//phase设置为13，表示分析、数值分解、求解阶段

	PARDISO(pt, &maxfct, &mnum, &mtype, &phase, &n, a_csr, ia_csr, ja_csr, &perm, &nrhs, iparm, &msglvl, b, x, &error);

	//将解矩阵copy给输出,即A的逆矩阵
	for (int i = 0; i < n; i++) {
		memcpy(Ainv[i], x + i * n, n * sizeof(float));
	}
	//释放矩阵内存
	phase = -1;           //phase设置为-1
	PARDISO(pt, &maxfct, &mnum, &mtype, &phase, &n, a_csr, ia_csr, ja_csr, &perm, &nrhs, iparm, &msglvl, b, x, &error);

	//释放内存
	mkl_sparse_destroy(cooA);
	mkl_sparse_destroy(csrA);

	mkl_free(x);
	mkl_free(b);

	return true;
}

在执行main.cpp中的MKL_Sparse_Inverse_Demo()之后，输出如下，与matlab结果一致：文章来源地址https://www.toymoban.com/news/detail-422792.html

完整代码

Ⅰ MKL_Sparse_Methods.h

#pragma once

#include<stdio.h>
#include<stdlib.h>
#include "alloc.h"
#include"mkl.h"
#include "mkl_types.h"
#include"mkl_lapacke.h"
#include "mkl_spblas.h"

bool MKL_Sparse_CooXDense(MKL_INT *ia, MKL_INT *ja, float *a, int nnz, float **denseB, float **denseC, int rowsA, int colsA, int colsC, int flag, int allocType);
sparse_matrix_t MKL_Sparse_CooXCoo(
	int* ia, int *ja, float *a, int rowsA, int colsA, int nnzA,
	int* ib, int *jb, float *b, int rowsB, int colsB, int nnzB);
sparse_matrix_t MKL_Coo2Csr(int* ia, int *ja, float *a, int nrows, int ncols, int nnz);
void Print_Sparse_Csr_Matrix(sparse_matrix_t csrA,int m,int n);
bool MKL_Sparse_Inverse(float **Ainv, float *a, MKL_INT *ia, MKL_INT *ja, int nnz, int n, MKL_INT mtype);

Ⅱ MKL_Sparse_Methods.cpp

#include "MKL_Sparse_Methods.h"

bool MKL_Sparse_CooXDense(MKL_INT *ia, MKL_INT *ja, float *a, int nnz, float **denseB, float **denseC, int rowsA, int colsA, int colsC, int flag, int allocType) {

	//生成csr格式稀疏矩阵
	sparse_matrix_t csrA, cooA;
	sparse_status_t status = mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		rowsA,    // number of rows
		colsA,    // number of cols
		nnz,  // number of nonzeros
		ia,
		ja,
		a);
	if (status != SPARSE_STATUS_SUCCESS) {
		printf("Error creating COO sparse matrix.\n");
	}
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);

	//调用mkl稀疏矩阵与稠密矩阵乘法  C=alpha*op(A)*B+beta*C
	double alpha = 1.0;
	double beta = 0.0;
	int M, N, K;
	int ncols, ldx, ldy;

	if (allocType == 0) {

		if (flag == 1 || flag == 2) {	//转置或共轭转置，AT或AH
			M = colsA;
			N = rowsA;
			K = colsC;
			ncols = N;
			ldx = N;
			ldy = M;
		}
		else {	//默认的情况下，A
			M = rowsA;
			N = colsA;
			K = colsC;
			ncols = N;
			ldx = N;
			ldy = M;
		}
		//将二维稠密矩阵B转为一维
		float *denseB1D = (float*)mkl_malloc(N*K * sizeof(float), 64);
		for (int i = 0; i < K; i++) {
			memcpy(denseB1D + i * N, denseB[i], N * sizeof(float));
		}

		struct matrix_descr descr = { SPARSE_MATRIX_TYPE_GENERAL, SPARSE_FILL_MODE_FULL, SPARSE_DIAG_NON_UNIT };

		float *denseC1D = (float*)mkl_malloc(M * K * sizeof(float), 64);
		sparse_operation_t operation = SPARSE_OPERATION_NON_TRANSPOSE;  //默认 op(A)=A;
		if (flag == 0) {   //稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		if (flag == 1) {//稀疏矩阵 op(A)=AT
			operation = SPARSE_OPERATION_TRANSPOSE;
		}
		else if (flag == 2)
		{    //稀疏矩阵 op(A)=AH
			operation = SPARSE_OPERATION_CONJUGATE_TRANSPOSE;
		}
		else {//稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		mkl_sparse_s_mm(operation, alpha, csrA, descr, SPARSE_LAYOUT_COLUMN_MAJOR, denseB1D, ncols, ldx, beta, denseC1D, ldy);

		//将计算结果转为2维
		for (int i = 0; i < K; i++) {
			memcpy(denseC[i], denseC1D + i * M, M * sizeof(float));
		}
		mkl_free(denseB1D);
		mkl_free(denseC1D);
	}

	if (allocType == 1) {

		if (flag == 1 || flag == 2) {	//转置或共轭转置，AT或AH
			M = colsA;
			N = rowsA;
			K = colsC;
			ncols = K;
			ldx = K;
			ldy = K;
		}
		else {	//默认的情况下，A
			M = rowsA;
			N = colsA;
			K = colsC;
			ncols = N;
			ldx = K;
			ldy = K;
		}
		//将二维稠密矩阵B转为一维
		float *denseB1D = (float*)mkl_malloc(N*K * sizeof(float), 64);
		for (int i = 0; i < N; i++) {
			memcpy(denseB1D + i * K, denseB[i], K * sizeof(float));
		}

		struct matrix_descr descr = { SPARSE_MATRIX_TYPE_GENERAL, SPARSE_FILL_MODE_FULL, SPARSE_DIAG_NON_UNIT };

		float *denseC1D = (float*)mkl_malloc(M * K * sizeof(float), 64);
		sparse_operation_t operation = SPARSE_OPERATION_NON_TRANSPOSE;  //默认 op(A)=A;
		if (flag == 0) {   //稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		if (flag == 1) {//稀疏矩阵 op(A)=AT
			operation = SPARSE_OPERATION_TRANSPOSE;
		}
		else if (flag == 2)
		{    //稀疏矩阵 op(A)=AH
			operation = SPARSE_OPERATION_CONJUGATE_TRANSPOSE;
		}
		else {//稀疏矩阵 op(A)=A 
			operation = SPARSE_OPERATION_NON_TRANSPOSE;
		}
		mkl_sparse_s_mm(operation, alpha, csrA, descr, SPARSE_LAYOUT_ROW_MAJOR, denseB1D, ncols, ldx, beta, denseC1D, ldy);

		//将计算结果转为2维
		for (int i = 0; i < M; i++) {
			memcpy(denseC[i], denseC1D + i * K, K * sizeof(float));
		}
		mkl_free(denseB1D);
		mkl_free(denseC1D);
	}

	//释放
	mkl_sparse_destroy(csrA);
	mkl_sparse_destroy(cooA);

	return true;

}

//根据已知坐标、元素值，创建CSR稀疏矩阵
sparse_matrix_t MKL_Coo2Csr(int* ia, int *ja, float *a, int nrows, int ncols, int nnz) {

	//建立coo矩阵A 与 csrA矩阵
	sparse_matrix_t cooA, csrA;

	mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		nrows,    // number of rows
		ncols,    // number of cols
		nnz,  // number of nonzeros
		ia,
		ja,
		a);

	//coo转csr
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);

	//释放cooA矩阵
	mkl_sparse_destroy(cooA);

	//返回csrA矩阵
	return csrA;
}

void Print_Sparse_Csr_Matrix(sparse_matrix_t csrA,int m,int n) {
	sparse_index_base_t indexing;
	int nrows;
	int ncols;
	MKL_INT* csr_row_start;
	MKL_INT* csr_row_end;
	MKL_INT* csr_col_indx;
	float* csr_values;

	mkl_sparse_s_export_csr(csrA, &indexing, &nrows, &ncols, &csr_row_start, &csr_row_end, &csr_col_indx, &csr_values);

	float **A_dense = alloc2float(ncols, nrows);
	memset(A_dense[0], 0, nrows*ncols * sizeof(float));

	//将value转换为普通二维数组
	for (int i = 0; i < nrows; i++) {
		for (int j = csr_row_start[i]; j < csr_row_start[i + 1]; j++) {
			A_dense[i][csr_col_indx[j]] = csr_values[j];
		}
	}
	//输出稠密矩阵
	for (int i = 0; i < m; i++) {
		for (int j = 0; j < n; j++) {
			printf("%f ", A_dense[i][j]);
		}
		printf("\n");
	}
	free2float(A_dense);
}

//Coo格式×Coo格式矩阵乘法
sparse_matrix_t MKL_Sparse_CooXCoo(
	int* ia, int *ja, float *a, int rowsA, int colsA, int nnzA,
	int* ib, int *jb, float *b, int rowsB, int colsB, int nnzB) {

	//根据坐标创建csrA和csrB
	sparse_matrix_t csrA, csrB, csrC;
	csrA = MKL_Coo2Csr(ia, ja, a, rowsA, colsA, nnzA);
	csrB = MKL_Coo2Csr(ib, jb, b, rowsB, colsB, nnzB);

	//csrC创建
	mkl_sparse_d_create_csr(&csrC,
		SPARSE_INDEX_BASE_ZERO,
		rowsA,    // number of rows
		colsB,    // number of cols
		NULL,  // number of nonzeros
		NULL,
		NULL,
		NULL);
	mkl_sparse_spmm(SPARSE_OPERATION_NON_TRANSPOSE, csrA, csrB, &csrC);
	//释放矩阵A和B
	mkl_sparse_destroy(csrA);
	mkl_sparse_destroy(csrB);
	return csrC;
}

//稀疏矩阵求逆
bool MKL_Sparse_Inverse(float **Ainv, float *a, MKL_INT *ia, MKL_INT *ja, int nnz, int n, MKL_INT mtype) {
	/*STEP1 根据输入数组创建COO格式稀疏矩阵*/
//由于CSR格式不易表示，所以采取的路线为通过坐标创建COO格式矩阵
//再通过mkl接口将COO矩阵转为CSR矩阵
	sparse_matrix_t csrA, cooA;

	sparse_status_t status = mkl_sparse_s_create_coo(&cooA,
		SPARSE_INDEX_BASE_ZERO,
		n,    // 稀疏矩阵的行、列
		n,
		nnz,  // 非零元素个数
		ia,//行索引                                      
		ja,//列索引
		a);//矩阵元素值
	if (status != SPARSE_STATUS_SUCCESS) {
		printf("Error creating COO sparse matrix.\n");
	}
	//coo转csr格式
	mkl_sparse_convert_csr(cooA, SPARSE_OPERATION_NON_TRANSPOSE, &csrA);
	/*STEP2 根据CSR格式稀疏矩阵得到其ia,ja,a三组数据*/
	sparse_index_base_t indexing;
	int nrows;
	int ncols;
	MKL_INT* ia_csr = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);//csr格式的行指针
	MKL_INT* csr_row_end = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	MKL_INT* ja_csr = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);//csr格式的列索引
	float* a_csr = (float*)mkl_malloc(nnz * sizeof(float), 64);//csr格式的矩阵值
	//利用mkl_sparse_s_export_csr接口实现
	mkl_sparse_s_export_csr(csrA, &indexing, &nrows, &ncols, &ia_csr, &csr_row_end, &ja_csr, &a_csr);

	/*Step3 设置稀疏矩阵参数*/
	//初始化B矩阵和X矩阵
	float *b = NULL;   //保存单位矩阵用于求逆
	float *x = NULL;   //解矩阵
	b = (float*)mkl_malloc(n*n * sizeof(float), 64);
	x = (float*)mkl_malloc(n*n * sizeof(float), 64);
	//将B矩阵初始化为单位阵
	for (int i = 0; i < n; i++) {
		for (int j = 0; j < n; j++) {
			if (i == j) {
				b[i*n + j] = 1;
			}
			else {
				b[i*n + j] = 0;
			}
		}
	}

	//初始化pt
	void *pt[64];
	for (int i = 0; i < 64; i++)
	{
		pt[i] = 0;
	}

	//初始化矩阵相关控制参数
	MKL_INT maxfct = 1;
	MKL_INT mnum = 1;
	MKL_INT phase = 1;
	MKL_INT perm = 0;
	MKL_INT nrhs = n;
	MKL_INT error = 0;
	MKL_INT msglvl = 0;

	//设置iparm参数
	MKL_INT iparm[64];
	//批量初始化
	for (int i = 0; i < 64; i++)
	{
		iparm[i] = 0;
	}
	iparm[0] = 1;	//开启自定义
	iparm[12] = 1;  //提高准确性
	iparm[27] = 1;  //为float型
	iparm[34] = 1;  //初始索引为0

	/*Step4 分析矩阵、数值分解、求解*/
	phase = 13;	//phase设置为13，表示分析、数值分解、求解阶段
	PARDISO(pt, &maxfct, &mnum, &mtype, &phase, &n, a_csr, ia_csr, ja_csr, &perm, &nrhs, iparm, &msglvl, b, x, &error);

	//将解矩阵copy给输出,即A的逆矩阵
	for (int i = 0; i < n; i++) {
		memcpy(Ainv[i], x + i * n, n * sizeof(float));
	}
	//释放矩阵内存
	phase = -1;           //phase设置为-1
	PARDISO(pt, &maxfct, &mnum, &mtype, &phase, &n, a_csr, ia_csr, ja_csr, &perm, &nrhs, iparm, &msglvl, b, x, &error);

	//释放内存
	mkl_sparse_destroy(cooA);
	mkl_sparse_destroy(csrA);

	mkl_free(x);
	mkl_free(b);

	return true;
}

Ⅲ main.cpp

#include "MKL_Sparse_Methods.h"
#include "alloc.h"

#define M 6
#define N 5
#define K 4

void MKL_Sparse_CooXDense_Demo();
void MKL_Sparse_CooXCoo_Demo();
void MKL_Sparse_Inverse_Demo();

int main() {
    MKL_Sparse_CooXDense_Demo();//稀疏乘稠密
    MKL_Sparse_CooXCoo_Demo();	//稀疏×稀疏
    MKL_Sparse_Inverse_Demo();//稀疏矩阵求逆
    return 0;
}

//稀疏乘稠密
void MKL_Sparse_CooXDense_Demo() {
	int flag = 0;	/*	flag=0时表示A(COO)*B(Dense)
				flag=1时表示AT(COO)*B(Dense)*/
	int rowsA, colsA;
	if (flag == 0) {
		rowsA = M, colsA = N;
	}
	else if (flag == 1) {
		rowsA = N, colsA = M;
	}

	int rowsB = N, colsB = K;
	int rowsC = M, colsC = K;

	float Atemp[M][N] = {
	{1,-1,-3,0,0},
	{-2,5,0,0,0},
	{0,0,4,6,4},
	{-4,0,2,7,0},
	{0,8,0,0,-5},
	{1,0,0,0,0},
	};

	float ATtemp[N][M] = {
	{1,-2,0,-4,0,1},
	{-1,5,0,0,8,0},
	{-3,0,4,2,0,0},
	{0,0,6,7,0,0},
	{0,0,4,0,-5,0},
	};

	float Btemp[N][K] = {
	{1,-1,-3,0},
	{-2,5,0,0},
	{0,0,4,6},
	{-4,0,2,7},
	{0,8,0,0}
	};

	int allocType = 1;
	//将一般二维数组转换为alloc表示
	float **matrixA = alloc2float(colsA, rowsA);
	memset(matrixA[0], 0, rowsA*colsA * sizeof(float));
	float **matrixB = alloc2float(colsB, rowsB);
	memset(matrixB[0], 0, rowsB*colsB * sizeof(float));
	float **matrixC = alloc2float(colsC, rowsC);
	memset(matrixC[0], 0, rowsC*colsC * sizeof(float));


	//复制二维数组到二级指针
	if (flag == 0) {
		memcpy(matrixA[0], Atemp, rowsA*colsA * sizeof(float));
	}
	else if (flag == 1) {
		memcpy(matrixA[0], ATtemp, rowsA*colsA * sizeof(float));
	}

	memcpy(matrixB[0], Btemp, rowsB*colsB * sizeof(float));

	//统计二维数组的非零元素个数
	int nnz = 0;
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			//统计nnz
			if (matrixA[i][j] != 0) {
				nnz++;
			}
		}
	}

	//获取稠密矩阵的coo形式
	MKL_INT *ia = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	MKL_INT *ja = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	float *a = (float*)mkl_malloc(nnz * sizeof(float), 64);

	//获取coo数据
	int k = 0;
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			if (matrixA[i][j] != 0.0) {
				a[k] = matrixA[i][j];
				ia[k] = i;
				ja[k] = j;
				k++;
			}
		}
	}

	//执行矩阵乘法
	MKL_Sparse_CooXDense(ia, ja, a, nnz, matrixB, matrixC, rowsA, colsA, colsC, flag, allocType);

	/* 输出结果 */
	printf("*************** MKL Sparse X Dense ***************\n ");
	printf("===============  flag=%d  ================\n", flag);
	for (int i = 0; i < rowsC; i++) {
		for (int j = 0; j < colsC; j++) {
			printf("%f ", matrixC[i][j]);
		}
		printf("\n");
	}

	free2float(matrixA);
	free2float(matrixB);
	free2float(matrixC);
	mkl_free(ia);
	mkl_free(ja);
	mkl_free(a);

}

//稀疏×稀疏
void MKL_Sparse_CooXCoo_Demo() {

	int rowsA = M, colsA = N;
	int rowsB = N, colsB = K;
	int rowsC = M, colsC = K;

	float Atemp[M][N] = {
	{1,-1,-3,0,0},
	{-2,5,0,0,0},
	{0,0,4,6,4},
	{-4,0,2,7,0},
	{0,8,0,0,-5},
	{1,0,0,0,0},
	};

	float Btemp[N][K] = {
	{1,-1,-3,0},
	{-2,5,0,0},
	{0,0,4,6},
	{-4,0,2,7},
	{0,8,0,0}
	};

	//将一般二维数组转换为alloc表示
	float **matrixA = alloc2float(colsA, rowsA);
	memset(matrixA[0], 0, rowsA*colsA * sizeof(float));
	float **matrixB = alloc2float(colsB, rowsB);
	memset(matrixB[0], 0, rowsB*colsB * sizeof(float));
	//复制二维数组到二级指针
	memcpy(matrixA[0], Atemp, rowsA*colsA * sizeof(float));
	memcpy(matrixB[0], Btemp, rowsB*colsB * sizeof(float));

	//***********A矩阵稀疏表示
	//统计二维数组的非零元素个数
	int nnzA = 0;	//A矩阵
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			//统计nnz
			if (matrixA[i][j] != 0) {
				nnzA++;
			}
		}
	}
	//获取稠密矩阵的coo形式
	MKL_INT *ia = (MKL_INT*)mkl_malloc(nnzA * sizeof(MKL_INT), 64);
	MKL_INT *ja = (MKL_INT*)mkl_malloc(nnzA * sizeof(MKL_INT), 64);
	float *a = (float*)mkl_malloc(nnzA * sizeof(float), 64);

	//获取coo数据
	int k = 0;
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			if (matrixA[i][j] != 0.0) {
				a[k] = matrixA[i][j];
				ia[k] = i;
				ja[k] = j;
				k++;
			}
		}
	}
	//***********B矩阵稀疏表示
	int nnzB = 0;	//B矩阵
	for (int i = 0; i < rowsB; i++) {
		for (int j = 0; j < colsB; j++) {
			//统计nnz
			if (matrixB[i][j] != 0) {
				nnzB++;
			}
		}
	}
	//获取稠密矩阵的coo形式
	MKL_INT *ib = (MKL_INT*)mkl_malloc(nnzB * sizeof(MKL_INT), 64);
	MKL_INT *jb = (MKL_INT*)mkl_malloc(nnzB * sizeof(MKL_INT), 64);
	float *b = (float*)mkl_malloc(nnzB * sizeof(float), 64);

	//获取coo数据
	k = 0;
	for (int i = 0; i < rowsB; i++) {
		for (int j = 0; j < colsB; j++) {
			if (matrixB[i][j] != 0.0) {
				b[k] = matrixB[i][j];
				ib[k] = i;
				jb[k] = j;
				k++;
			}
		}
	}

	sparse_matrix_t csrC = MKL_Sparse_CooXCoo(ia, ja, a, rowsA, colsA, nnzA, ib, jb, b, rowsB, colsB, nnzB);
	printf("*************** MKL Sparse X Sparse ***************\n ");
	Print_Sparse_Csr_Matrix(csrC, rowsC, colsC);	//打印矩阵C结果

	mkl_sparse_destroy(csrC);

	mkl_free(ia);
	mkl_free(ja);
	mkl_free(a);
	mkl_free(ib);
	mkl_free(jb);
	mkl_free(b);
	free2float(matrixA);
	free2float(matrixB);
}

//稀疏矩阵求逆
void MKL_Sparse_Inverse_Demo() {
	int rowsA = N, colsA = N;

	float Atemp[N][N] = {
	{1,2,4,0,0},
	{2,2,0,0,0},
	{4,0,3,0,0},
	{0,0,0,4,0},
	{0,0,0,0,5},
	};


	//将一般二维数组转换为alloc表示
	float **matrixA = alloc2float(colsA, rowsA);
	memset(matrixA[0], 0, rowsA*colsA * sizeof(float));
	float **matrixA_inv = alloc2float(colsA, rowsA);
	memset(matrixA[0], 0, rowsA*colsA * sizeof(float));

	//复制二维数组到二级指针
	memcpy(matrixA[0], Atemp, rowsA*colsA * sizeof(float));

	//统计二维数组的非零元素个数
	int nnz = 0;
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			//统计nnz
			if (matrixA[i][j] != 0) {
				nnz++;
			}
		}
	}
	//获取稠密矩阵的coo形式
	MKL_INT *ia = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	MKL_INT *ja = (MKL_INT*)mkl_malloc(nnz * sizeof(MKL_INT), 64);
	float *a = (float*)mkl_malloc(nnz * sizeof(float), 64);

	//获取coo数据
	int k = 0;
	for (int i = 0; i < rowsA; i++) {
		for (int j = 0; j < colsA; j++) {
			if (matrixA[i][j] != 0.0) {
				a[k] = matrixA[i][j];
				ia[k] = i;
				ja[k] = j;
				k++;
			}
		}
	}
	MKL_INT mtype = 11;	//设置矩阵类型为一般实矩阵
	MKL_Sparse_Inverse(matrixA, a, ia, ja, nnz, rowsA, mtype);
	printf("*************** MKL Sparse Matrix Inverse ***************\n ");
	for (int i = 0; i < N; i++) {
		for (int j = 0; j < N; j++) {
			printf("%f ", matrixA[i][j]);
		}
		printf("\n");
	}
	free2float(matrixA);
	free2float(matrixA_inv);
	mkl_free(ia);
	mkl_free(ja);
	mkl_free(a);
}

到了这里，关于MKL稀疏矩阵运算示例及函数封装的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！