eigen是纯头文件模板库，无需链接；只需将include目录加入编译路径，如target_include_directories(… public ${eigen3_include_dir})。
怎么确认 Eigen 是头文件库，不用链接
Eigen 不是传统意义上的动态或静态库，它压根没提供 .so 或 .lib 文件。你看到的 #include <eigen></eigen> 能直接编译通过，是因为 Eigen 全是模板头文件——所有实现都在 .h 里。编译器在实例化模板时才生成机器码。
所以：不需要 target_link_libraries，也不用配 LD_LIBRARY_PATH。常见错误是 CMake 里傻乎乎加 find_package(Eigen3 REQUIRED) 后又去 link，结果报 undefined reference ——那是因为你误以为它有符号要链接。
- 只要把 Eigen 的
include目录加进编译器头文件搜索路径（CMake 用target_include_directories(... PUBLIC ${EIGEN3_INCLUDE_DIR})） - 确保
#include路径正确，比如#include <eigen></eigen>，不是#include <eigen3></eigen3>（除非你手动改了路径） - Mac 上用 Homebrew 装的 Eigen，默认头文件在
/opt/homebrew/include/eigen3，别漏掉末尾的eigen3
MatrixXd 和 MatrixXf 到底该选哪个
类型选错最直接影响数值精度和运行时行为。Eigen 中矩阵类型由三部分决定：基类型（double/Float）、行列数（X 表示动态）、存储顺序（默认列优先）。别光看名字缩写，得盯住底层类型。
MatrixXd 是 Matrix<double dynamic></double>，MatrixXf 是 Matrix<float dynamic></float>。两者内存布局一样，但浮点精度差一个数量级——float 在求逆、SVD、共轭梯度等病态问题中容易溢出或丢失有效位。
立即学习“C++免费学习笔记（深入）”；
- 科研计算、需要高精度中间结果（比如优化、PDE 离散），一律用
MatrixXd - 嵌入式或 GPU 前端预处理、对吞吐敏感且输入本身是
float（如图像像素），可用MatrixXf，但要自己验证误差是否可接受 - 混用会触发隐式转换：把
MatrixXf赋给MatrixXd变量，编译不报错，但运行时多一次逐元素 cast，性能白丢
为什么 resize() 后数据没了，而 conservativeResize() 有时也不行
Eigen 默认不保留旧数据，这是为了明确语义：resize() 就是“我要新尺寸”，不是“我打算扩/缩但留着原来那些”。很多人以为它像 Python 的 numpy.resize，结果发现原矩阵内容全变零。
conservativeResize() 确实会尽量保留左上角子块，但它只在“新尺寸不小于旧尺寸”且“内存连续可延展”时才安全。比如从 3x3 扩到 4x4 成功；但从 4x4 缩回 3x3，虽然能调用，但若原矩阵是表达式求值结果（如 A + B），内部没有实际分配内存，就会 UB。
- 想保留数据，先用
resize()，再用.block(0,0,old_rows,old_cols) = old_matrix.block(0,0,old_rows,old_cols)显式拷贝 - 更稳妥的做法是：一开始就用
Matrix<double dynamic>::Zero(rows, cols)</double>预分配，避免反复 resize - 如果真要动态调整且频繁，考虑换
std::vector<:vector>></:vector>或用Eigen::map包装外部缓冲区
用 Map 读原始数组时对齐失败就崩溃
Eigen::Map 默认要求指针对齐（16 字节对齐用于 SSE，32 字节用于 AVX）。如果你传进去的是普通 new double[n] 或栈上数组，大概率不对齐，运行时触发 segmentation fault 或静默错误——尤其在开启 -mavx 编译时。
根本原因：Eigen 在向量化路径里直接发 movaps 指令，该指令硬性要求地址对齐。不是所有平台都报错，但行为不可靠。
- 临时方案：构造
Map时加Unaligned标签，例如Eigen::Map<:vectorxd eigen::unaligned>(ptr, n)</:vectorxd> - 长期方案：用
Eigen::aligned_allocator配合std::vector，或直接用Eigen::VectorXd::Map(ptr, n)（它内部自动处理对齐策略） - 注意：
Unaligned会降级为标量指令或非对齐向量指令，性能损失约 10%~30%，大数据量时得权衡
对齐这事看不见摸不着，但一旦出问题，core dump 里连函数名都可能被优化掉，查起来比维度错还费劲。