Numpy 为什么np.fft.fft2的计算取决于图像的形状？

我在计算不同大小的图像缓冲区的二维fft。我注意到，对于某些形状，计算时间会突然增加

我正在使用python 3.7和numpy 1.16.0。我还尝试了pyfftw，但问题没有出现

下面是一个代码示例，强调了我在numpy方面的问题：

将numpy导入为np
导入时间
假图像=np.ones（（10008192））
对于范围内的i（200700,50）：
裁剪=假图像[：，i:]
开始=时间。时间（）
res_scipak=np.fft.fft2（裁剪）
end=time.time（）
打印（f“{i}:{end-start}”）

我得到以下结果：

200: 0.8815453052520752
250: 0.8947739601135254
300: 16.496759176254272
350: 9.420636177062988
400: 4.677924156188965
450: 1.1415870189666748
500: 4.911479711532593
550: 29.64967179298401
600: 1.1793103218078613
650: 3.6275839805603027

---

实际上，当列的数量减少时，我希望看到计算时间减少。

fft在考虑小素数的大小时效果最好。考虑到这一点，将您的观察结果与：

import sympy

for i in range(200,700,50):
    print(i,sympy.primefactors(8192-i))

200 [2, 3, 37]
250 [2, 11, 19]
300 [2, 1973]
350 [2, 3, 1307]
400 [2, 487]
450 [2, 7, 79]
500 [2, 3, 641]
550 [2, 3821]
600 [2, 13, 73]
650 [2, 3, 419]

为什么它不适用于pyfftw？例如，有一些处理大素数的方法，看起来很简单