Question

我运行测试sqript。它使用基于FFTW的numpy.fft.fft（），anfft.fft（）和基于FFTW的pyfftw.interfaces.numpy_fft.fft（）。

这是我的测试脚本的来源：

import numpy as np
import anfft
import pyfftw
import time

a = pyfftw.n_byte_align_empty(128, 16, 'complex128')
a[:] = np.random.randn(128) + 1j*np.random.randn(128)

time0 = time.clock()
res1 = np.fft.fft(a)
time1 = time.clock()
res2 = anfft.fft(a)
time2 = time.clock()
res3 = pyfftw.interfaces.numpy_fft.fft(a,threads=50)
time3 = time.clock()

print 'Time numpy: %s' % (time1 - time0)
print 'Time anfft: %s' % (time2 - time1)
print 'Time pyfftw: %s' % (time3 - time2)

我得到了这些结果：

Time numpy: 0.00154248116307
Time anfft: 0.0139805208195
Time pyfftw: 0.137729374893

anfft库在大数据上产生更快的fft，但是pyfftw呢？为什么这么慢？

Answer 1

在这种情况下，产生比CPU内核更多的线程不会增加性能，并且可能会因为切换线程的开销而使程序变慢。 50个线程完全矫枉过正。

尝试使用一个主题进行基准测试。

Answer 2

可能是pyFFTW实际上花费了大部分时间来规划变换。尝试在pyfftw fft调用中包含例如planner_effort='FFTW_ESTIMATE'，并查看它如何影响性能。

Answer 3

这里的问题是使用numpy_fft接口的开销。首先，您应该使用pyfftw.interfaces.cache.enable()启用缓存，然后使用timeit测试结果。即使使用缓存，如果使用原始接口，使用不存在的接口也会产生固定的开销。

在我的机器上，在128个长度的阵列上，接口的开销仍然会使其减慢超过numpy.fft。随着长度的增加，这种开销变得不那么重要了，所以比如一个16000长的数组，numpy_fft接口更快。

您可以调用tweaks来加速接口端的速度，但这些不太可能对您的情况产生很大影响。

在所有情况下获得最快变换的最佳方法是直接使用FFTW object，最简单的方法是使用builders函数。在你的情况下：

t = pyfftw.builders.fft(a)
timeit t()

有了这个，我得到的pyfftw比带有128个长度数组的np.fft快15倍。

为什么基于FFTW的pyfftw是慢numpy的fft（）？

3 个答案: