Python通过pybind11调用Eigen库加速矩阵运算实战指南

南乔

发布时间：2026-10-14| 5人浏览过

原创

本文详细介绍如何在Windows环境下，利用pybind11将C++的Eigen库集成到Python项目中，以解决Python循环计算性能瓶颈。内容涵盖从环境准备、虚拟环境配置、依赖库安装到C++代码编写、Python接口定义及最终编译测试的完整步骤，帮助开发者实现高效的矩阵运算加速。

Python性能加速背景与方案概述

Python语言以其易上手著称，但在处理密集循环（如while和for循环）时，其运行速度往往难以满足高性能计算的需求。为了突破这一性能瓶颈，通常需要借助C++等编译型语言来加速核心代码。本文将简要介绍如何通过pybind11调用C++的Eigen库，从而实现Python代码的性能加速。

环境准备与依赖配置

第一步：准备系统和IDE：

Windows 10 vs2015 (用于调试c++代码) vscode (调试python代码)

第二步：python虚拟环境：

1.创建虚拟python虚拟环境：在vscode的terminal中执行


python -m venv env

2.下载 Eigen: 将Eigen解压到当前目录命名为 eigen-3.3.8 3.在vscode的terminal中激活虚拟环境：

./env/Scripts/Activate.ps1

4.安装pybind11:


pip install pybind11

5.安装numpy==1.19.3（使用1.19.4可能会有问题）


pip install numpy==1.19.3

C++代码编写与Python接口定义

第三步：使用vs2015编写cpp_python.cpp, 并保证没有bug


#include <Eigen/Dense>
using namespace std
using namespace Eigen
MatrixXd add_mat(MatrixXd A_mat, MatrixXd B_mat)
{
  return A_mat + B_mat;
}

第四步：使用pybind11为cpp_python.cpp添加python接口


// cpp_python.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//
#include <pybind11/pybind11.h>
#include <pybind11/eigen.h>
#include<pybind11/numpy.h>
#include<fstream>
#include<iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
 
MatrixXd add_mat(MatrixXd A_mat, MatrixXd B_mat)
{
    return A_mat + B_mat;
}
 
namespace py = pybind11;
PYBIND11_MODULE(add_mat_moudle, m)
{
    m.doc() = "Matrix add";//解释说明
    m.def("mat_add_py"/*在pyhon中使用的函数名*/, &add_mat);
}

编译构建与测试验证

第五步：设置setup.py用来编译c++代码


from setuptools import setup
from setuptools import Extension

add_mat_module = Extension(name='add_mat_moudle', # 模块名称
              sources=['cpp_python.cpp'],  # 源码
              include_dirs=[r'.\eigen-3.3.8',
                    r'.\env\Scripts',   # 依赖的第三方库的头文件
                     r'.\env\Lib\site-packages\pybind11\include']
              )

setup(ext_modules=[add_mat_module])

第六步：编译测试