应优先使用 JacobiSVD 进行标准 SVD 分解，因其数值稳定、接口简洁、支持多种标量类型；对中小型矩阵效果更佳，需预分配对象并复用 compute() 以避免重复内存分配开销。
用 JacobiSVD 做标准 SVD，别碰 BDCSVD 除非矩阵很大
默认选 JacobiSVD，它数值稳定、接口直白、支持所有标量类型（float、double、std::complex<float></float> 等），且对中小型矩阵（比如 BDCSVD 虽然理论上适合大矩阵，但实际中容易因内存对齐或临时空间不足触发断言失败，比如报错 Assertion failed: m_algoswap && "internal logic error"，新手很难定位。
实操建议：
- 声明时明确指定计算模式：
JacobiSVD<matrixxf computefullu computefullv></matrixxf>，不写模式会只算奇异值，matrixU()和matrixV()返回空矩阵 - 避免直接用
auto svd = JacobiSVD<...>(A)</...>初始化——编译器可能把临时对象绑定到引用，导致后续调用svd.matrixU()访问野指针 - 如果矩阵列数远大于行数（如 100×10000），先转置再分解更稳：用
A.transpose()输入，最后把U和V角色互换
singularValues() 返回的是列向量，不是对角矩阵
很多人以为 svd.singularValues() 是一个 DiagonalMatrix，结果直接拿去乘——其实它返回的是 VectorXf 或 VectorXd，要构造成对角矩阵得显式调用 asDiagonal()。否则做 U * svd.singularValues() * V.transpose() 会编译失败，错误信息类似 no match for operator*。
正确重建原矩阵的写法：
立即学习“C++免费学习笔记（深入）”；
MatrixXf A_recon = svd.matrixU() * svd.singularValues().asDiagonal() * svd.matrixV().transpose();
注意点：
-
asDiagonal()不拷贝数据，只是视图转换，零开销 - 如果用了
ComputeThinU或ComputeThinV，对应matrixU()维度变小，asDiagonal()的大小自动匹配最小维度，不用手动截断 - 想取前
k个主成分？直接用svd.singularValues().head(k).asDiagonal()
处理非满秩或病态矩阵时，threshold() 得手动设
默认情况下 JacobiSVD 对奇异值是否为零的判断基于机器精度（NumTraits<scalar>::epsilon()</scalar>），但实际中很多矩阵是近似低秩的（比如带噪声的图像数据），默认阈值会让本该归零的小奇异值保留，导致伪逆或降维结果不稳定。
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
解决方法是调用 setThreshold()：
svd.setThreshold(1e-8); // 再小的奇异值都当 0 处理
常见场景：
- 求 Moore-Penrose 伪逆：
svd.solve(b)内部会自动用 threshold 判零，但你得先设好 - 解超定方程组：
Ax ≈ b，若A条件数 > 1e12，不设 threshold 可能导致解震荡 - 奇异值谱里出现一堆 1e-15 量级的“尾巴”，基本就是数值噪声，该砍掉
别在循环里反复构造 JacobiSVD 对象
每次构造 JacobiSVD 都会重新分配内部工作内存（比如 Householder 向量缓存），频繁创建销毁有明显开销。尤其在实时信号处理或优化迭代中，应复用对象并仅调用 compute()。
正确做法：
JacobiSVD<MatrixXf> svd(100, 50, ComputeFullU | ComputeFullV); // 预分配最大尺寸
for (int i = 0; i < N; ++i) {
MatrixXf A = get_matrix(i);
svd.compute(A); // 复用对象，只重算分解
// ... use svd.singularValues(), etc
}注意：
- 预分配尺寸必须 ≥ 实际矩阵尺寸，否则
compute()会抛std::runtime_error：“invalid matrix size” - 如果矩阵尺寸变化大（比如从 10×10 到 1000×1000），不如分两套对象，避免小矩阵也扛着大内存块
-
compute()不保证保留旧结果，调用后旧的matrixU()等立即失效
Eigen 的 SVD 接口看着简单，但 threshold 设置、对象复用、奇异值向量/矩阵混淆这三点，几乎每个用过的人早期都踩过坑。特别是 threshold —— 它不参与构造函数，也不在 compute 里自动推导，全靠你记得手动塞。
