std::vector实现二维矩阵乘法需三层循环：i遍历行、j遍历列、k做点积，要求a列数等于b行数，结果c为m×p且预分配，k范围是[0,n)。
用 std::vector 实现二维矩阵并手写乘法循环
直接用 std::vector<:vector>></:vector> 表示矩阵最直观，也便于动态尺寸。但要注意：必须保证每行长度一致，否则乘法会越界或逻辑错误。
核心是三层嵌套循环：外层遍历结果矩阵的行（i），中层遍历列（j），内层做点积（k）。关键约束是：左矩阵列数必须等于右矩阵行数，否则乘法无定义。
- 检查维度：若
A是m×n，B是n×p，则结果C必须是m×p，且初始化为全 0 - 内层循环索引
k的范围是[0, n)，不是[0, m)或[0, p)——这是最常见的下标错位 - 避免重复构造临时
vector：不要在循环里写std::vector<double>(p, 0.0)</double>创建新行，应预先分配好C的结构
std::vector<:vector>> matmul(
const std::vector<:vector>>& A,
const std::vector<:vector>>& B) {
size_t m = A.size(), n = A[0].size(), p = B[0].size();
std::vector<:vector>> C(m, std::vector<double>(p, 0.0));
for (size_t i = 0; i <h3>用一维 <code>std::vector</code> 存储提升缓存局部性</h3>
<p>二维 <code>vector</code> 在内存中不连续，频繁跨行访问会引发大量 cache miss。换成一维存储（行优先）后，内层循环能顺序读取内存，实测在中等规模（如 1000×1000）下可提速 2–3 倍。</p>
<p>索引公式必须严格：元素 <code>A[i][j]</code> 对应一维下标 <code>i * cols + j</code>；<code>B[k][j]</code> 对应 <code>k * p + j</code>（注意不是 <code>j * n + k</code>）。</p>
<ul>
<li>传参时需额外携带行列信息：<code>matmul(const std::vector<double>& A, size_t Am, size_t An, const std::vector<double>& B, size_t Bn, size_t Bp)</double></double></code>
</li>
<li>内层循环仍是对 <code>k</code>，但访问模式变成 <code>A[i*An + k]</code> 和 <code>B[k*Bp + j]</code> —— 错写成 <code>B[j*Bn + k]</code> 会导致结果全错</li>
<li>如果后续要和 BLAS 库对接，一维布局是强制要求，提前统一格式可减少转换开销</li>
</ul>
<h3>遇到 <code>std::out_of_range</code> 或结果全 0 怎么快速定位</h3>
<p>这两个现象几乎都源于维度校验缺失或索引越界。不要直接看乘法循环，先检查三处：</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/gongju/2823" title="C++14"><img
src="https://img.php.cn/upload/manual/001/431/639/6ac8b33c327c4749.png" alt="C++14" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/gongju/2823" title="C++14" class="overflowclass">C++14</a>
<p class="overflowclass">C++14 对 C++11 的修正与增强版本，适合旧系统维护和较老工具链兼容。</p>
</div>
<a rel="nofollow" href="/xiazai/gongju/2823" title="C++14" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div>
<ul>
<li>输入矩阵是否为空：<code>A.empty() || A[0].empty() || B.empty() || B[0].empty()</code>
</li>
<li>是否满足乘法前提：<code>A[0].size() != B.size()</code> 时应抛异常或返回空矩阵，而不是硬算</li>
<li>内层循环上限写错：比如把 <code>k 误写成 <code>k ，会导致访问 <code>A[i][k]</code> 越界（<code>k</code> 超出列数）</code></code>
</li>
</ul>
<p>调试时可在循环内加一句 <code>assert(k ，比靠 <code>operator[]</code> 抛异常更快暴露问题。</code></p>
<h3>什么时候该换 <code>BLAS</code> 而不是手写</h3>
<p>手写适合教学、小规模（<code>）或特殊需求（如自定义数值类型、稀疏逻辑）。一旦矩阵超过 500×500，OpenBLAS 或 Intel MKL 的优化版本通常快一个数量级以上，且自动适配多核与 SIMD。</code></p>
<p>调用 <code>cblas_dgemm</code> 时最容易漏的是：矩阵按列优先（Fortran 风格）还是行优先（C 风格）——C 接口默认列优先，若你用行优先数据，必须把参数 <code>layout</code> 设为 <code>CblasRowMajor</code>，否则结果完全错误。</p>
<p>还有个隐形坑：BLAS 要求内存对齐（尤其是 AVX 指令），如果 <code>vector</code> 分配的地址未 32 字节对齐，某些实现会降级到 SSE 或崩溃。生产环境建议用 <code>aligned_alloc</code> 或 Eigen 等封装好的库来规避。</p></double></:vector></:vector></:vector></:vector>C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
