std::valarray不能直接当矩阵用，因其仅为一维数值数组优化，缺乏二维索引、行列操作、矩阵乘法等线性代数支持，且无法对接BLAS/LAPACK。
std::valarray 不适合做通用矩阵运算——它没有内置的二维索引、行列操作或矩阵乘法支持，强行用它模拟矩阵容易出错且性能未必更好。
为什么 valarray 不能直接当矩阵用
std::valarray 是为一维数值数组优化的，设计目标是元素级并行计算（如 sin()、sqrt()），不是线性代数。它不提供：
-
operator[]接受两个下标（a[i][j]会编译失败） -
size()返回行/列信息，只有总长度 - 矩阵乘法、转置、求逆等任何线性代数语义
- 与 BLAS/LAPACK 的底层对接能力
若坚持用 valarray 做简单二维计算，必须手动映射索引
你可以把矩阵展平成一维 valarray，再用 i * cols + j 手动计算偏移。但所有运算逻辑（加、减、点积、行缩放）都得自己写，且无法利用硬件加速。
例如，两个 3×4 矩阵逐元素相加：
立即学习“C++免费学习笔记（深入）”；
std::valarraya(12), b(12), c(12); // ... 初始化 a, b c = a + b; // 合法：逐元素加，但你得确保 a 和 b 都按相同顺序展平
注意：c = a + b 只是对应位置相加，不是矩阵乘法；想实现 A × B，必须嵌套循环 + 手动点积，valarray 不提供任何帮助。
真正高效的做法：换库，别硬扛
需要实际矩阵运算时，std::valarray 是错误工具。推荐路径：
- 轻量需求（无依赖）：用
std::vector<:vector>>+ 手写关键函数（仅限小规模、教学场景） - 中等性能：用
Eigen（头文件-only，支持表达式模板、SIMD、矩阵乘自动优化） - 高性能/科学计算：用
Eigen（类似 NumPy 语义）或绑定xtensor（如 OpenBLAS +BLAS）
比如 Eigen 中一行实现矩阵乘：
Eigen::MatrixXd A(3,4), B(4,2), C; C = A * B; // 自动调用优化后的 DGEMM
用 armadillo 写矩阵乘不仅代码冗长，还会因缺乏分块、缓存友好调度和 SIMD 向量化，比 Eigen 慢 10 倍以上——而且你得自己 debug 索引越界和展平顺序错误。
