Opencl Stockham FFT的更高基数（或更好）配方

背景

我已经使用OpenCL实现了微软研究院的基2 FFT（Stockham自动排序）算法

我在内核中使用浮点纹理（256列X N行）进行输入和输出，因为我需要在非整数点进行采样，我认为最好将其委托给纹理采样硬件。请注意，我的FFT始终是256点序列（纹理中的每一行）。此时，我的N是16384或32768，具体取决于我使用的GPU和允许的最大2D纹理大小

我还需要一次执行4个实值序列的FFT，因此内核执行FFT（a，b，c，d）作为FFT（a+ib，c+id），我可以在以后使用O（n）算法从中提取4个复序列。如果有人愿意，我可以详细说明这一点，但我认为这不属于这个问题的范围

内核源代码

const sampler_t fftSampler = CLK_NORMALIZED_COORDS_FALSE | CLK_ADDRESS_CLAMP_TO_EDGE | CLK_FILTER_NEAREST;

__kernel void FFT_Stockham(read_only image2d_t input, write_only image2d_t output, int fftSize, int size)
{
    int x = get_global_id(0);
    int y = get_global_id(1);
    int b = floor(x / convert_float(fftSize)) * (fftSize / 2);
    int offset = x % (fftSize / 2);
    int x0 = b + offset;
    int x1 = x0 + (size / 2);

    float4 val0 = read_imagef(input, fftSampler, (int2)(x0, y));
    float4 val1 = read_imagef(input, fftSampler, (int2)(x1, y));

    float angle = -6.283185f * (convert_float(x) / convert_float(fftSize));

    // TODO: Convert the two calculations below into lookups from a __constant buffer
    float tA = native_cos(angle);
    float tB = native_sin(angle);

    float4 coeffs1 = (float4)(tA, tB, tA, tB);
    float4 coeffs2 = (float4)(-tB, tA, -tB, tA);
    float4 result = val0 + coeffs1 * val1.xxzz + coeffs2 * val1.yyww;

    write_imagef(output, (int2)(x, y), result);
}

宿主代码仅调用此内核log2（256）次，对输入和输出纹理进行乒乓处理

注意：我试着删除native_cos和native_sin，看看这是否影响了时间，但似乎没有太大的改变。无论如何，这不是我要找的因素

访问模式 知道我可能是内存带宽受限，下面是我的基数2 FFT的内存访问模式（每行）

• X0-元件1合并（读取）
• X1-要合并的元件2（读取）
• X-要写入的元素（写入）

问题

所以我的问题是-有人能帮我/给我指出这个算法更高的基数公式吗？我这样问是因为大多数FFT都是针对大型情况和单实数/复数序列进行优化的。它们的内核生成器也非常依赖于大小写，当我试图弄脏它们的内部时，它们会很快崩溃

还有比简单地使用基数为8或16的内核更好的选择吗

我的一些限制是-我必须使用OpenCL（无袖口）。我也不能将ACML用于此目的。还可以讨论CPU优化（这个内核在CPU上耗费了大量时间），但让它在GPU上以更少的迭代次数运行是我的主要使用案例

---

提前感谢您阅读所有这些内容并尝试提供帮助

我尝试了几个版本，但在CPU和GPU上性能最好的版本是针对我的特定情况的radix-16内核

这里是内核供参考。这是从埃里克·班维尔（最优秀的）的作品中摘取的，并与完全归属一起使用

// #define M_PI 3.14159265358979f

//Global size is x.Length/2, Scale = 1 for direct, 1/N to inverse (iFFT)
__kernel void ConjugateAndScale(__global float4* x, const float Scale)
{
   int i = get_global_id(0);

   float temp = Scale;
   float4 t = (float4)(temp, -temp, temp, -temp);

   x[i] *= t;
}


// Return a*EXP(-I*PI*1/2) = a*(-I)
float2 mul_p1q2(float2 a) { return (float2)(a.y,-a.x); }

// Return a^2
float2 sqr_1(float2 a)
{ return (float2)(a.x*a.x-a.y*a.y,2.0f*a.x*a.y); }

// Return the 2x DFT2 of the four complex numbers in A
// If A=(a,b,c,d) then return (a',b',c',d') where (a',c')=DFT2(a,c)
// and (b',d')=DFT2(b,d).
float8 dft2_4(float8 a) { return (float8)(a.lo+a.hi,a.lo-a.hi); }

// Return the DFT of 4 complex numbers in A
float8 dft4_4(float8 a)
{
  // 2x DFT2
  float8 x = dft2_4(a);
  // Shuffle, twiddle, and 2x DFT2
  return dft2_4((float8)(x.lo.lo,x.hi.lo,x.lo.hi,mul_p1q2(x.hi.hi)));
}

// Complex product, multiply vectors of complex numbers

#define MUL_RE(a,b) (a.even*b.even - a.odd*b.odd)
#define MUL_IM(a,b) (a.even*b.odd + a.odd*b.even)

float2 mul_1(float2 a, float2 b)
{ float2 x; x.even = MUL_RE(a,b); x.odd = MUL_IM(a,b); return x; }
float4 mul_1_F4(float4 a, float4 b)
{ float4 x; x.even = MUL_RE(a,b); x.odd = MUL_IM(a,b); return x; }


float4 mul_2(float4 a, float4 b)
{ float4 x; x.even = MUL_RE(a,b); x.odd = MUL_IM(a,b); return x; }

// Return the DFT2 of the two complex numbers in vector A
float4 dft2_2(float4 a) { return (float4)(a.lo+a.hi,a.lo-a.hi); }

// Return cos(alpha)+I*sin(alpha)  (3 variants)
float2 exp_alpha_1(float alpha)
{
  float cs,sn;
  // sn = sincos(alpha,&cs);  // sincos
  //cs = native_cos(alpha); sn = native_sin(alpha);  // native sin+cos
  cs = cos(alpha); sn = sin(alpha); // sin+cos
  return (float2)(cs,sn);
}
// Return cos(alpha)+I*sin(alpha)  (3 variants)
float4 exp_alpha_1_F4(float alpha)
{
  float cs,sn;
  // sn = sincos(alpha,&cs);  // sincos
  // cs = native_cos(alpha); sn = native_sin(alpha);  // native sin+cos
  cs = cos(alpha); sn = sin(alpha); // sin+cos
  return (float4)(cs,sn,cs,sn);
}


// mul_p*q*(a) returns a*EXP(-I*PI*P/Q)
#define mul_p0q1(a) (a)

#define mul_p0q2 mul_p0q1
//float2  mul_p1q2(float2 a) { return (float2)(a.y,-a.x); }

__constant float SQRT_1_2 = 0.707106781186548; // cos(Pi/4)
#define mul_p0q4 mul_p0q2
float2  mul_p1q4(float2 a) { return (float2)(SQRT_1_2)*(float2)(a.x+a.y,-a.x+a.y); }
#define mul_p2q4 mul_p1q2
float2  mul_p3q4(float2 a) { return (float2)(SQRT_1_2)*(float2)(-a.x+a.y,-a.x-a.y); }

__constant float COS_8 = 0.923879532511287; // cos(Pi/8)
__constant float SIN_8 = 0.382683432365089; // sin(Pi/8)
#define mul_p0q8 mul_p0q4
float2  mul_p1q8(float2 a) { return mul_1((float2)(COS_8,-SIN_8),a); }
#define mul_p2q8 mul_p1q4
float2  mul_p3q8(float2 a) { return mul_1((float2)(SIN_8,-COS_8),a); }
#define mul_p4q8 mul_p2q4
float2  mul_p5q8(float2 a) { return mul_1((float2)(-SIN_8,-COS_8),a); }
#define mul_p6q8 mul_p3q4
float2  mul_p7q8(float2 a) { return mul_1((float2)(-COS_8,-SIN_8),a); }

// Compute in-place DFT2 and twiddle
#define DFT2_TWIDDLE(a,b,t) { float2 tmp = t(a-b); a += b; b = tmp; }

// T = N/16 = number of threads.
// P is the length of input sub-sequences, 1,16,256,...,N/16.
__kernel void FFT_Radix16(__global const float4 * x, __global float4 * y, int pp)
{
  int p = pp;
  int t = get_global_size(0); // number of threads
  int i = get_global_id(0); // current thread


//////  y[i] = 2*x[i];
//////  return;

  int k = i & (p-1); // index in input sequence, in 0..P-1
  // Inputs indices are I+{0,..,15}*T
  x += i;
  // Output indices are J+{0,..,15}*P, where
  // J is I with four 0 bits inserted at bit log2(P)
  y += ((i-k)<<4) + k;

  // Load
  float4 u[16];
  for (int m=0;m<16;m++) u[m] = x[m*t];

  // Twiddle, twiddling factors are exp(_I*PI*{0,..,15}*K/4P)
  float alpha = -M_PI*(float)k/(float)(8*p);
  for (int m=1;m<16;m++) u[m] = mul_1_F4(exp_alpha_1_F4(m * alpha), u[m]);

  // 8x in-place DFT2 and twiddle (1)
  DFT2_TWIDDLE(u[0].lo,u[8].lo,mul_p0q8);
  DFT2_TWIDDLE(u[0].hi,u[8].hi,mul_p0q8);

  DFT2_TWIDDLE(u[1].lo,u[9].lo,mul_p1q8);
  DFT2_TWIDDLE(u[1].hi,u[9].hi,mul_p1q8);

  DFT2_TWIDDLE(u[2].lo,u[10].lo,mul_p2q8);
  DFT2_TWIDDLE(u[2].hi,u[10].hi,mul_p2q8);

  DFT2_TWIDDLE(u[3].lo,u[11].lo,mul_p3q8);
  DFT2_TWIDDLE(u[3].hi,u[11].hi,mul_p3q8);

  DFT2_TWIDDLE(u[4].lo,u[12].lo,mul_p4q8);
  DFT2_TWIDDLE(u[4].hi,u[12].hi,mul_p4q8);

  DFT2_TWIDDLE(u[5].lo,u[13].lo,mul_p5q8);
  DFT2_TWIDDLE(u[5].hi,u[13].hi,mul_p5q8);

  DFT2_TWIDDLE(u[6].lo,u[14].lo,mul_p6q8);
  DFT2_TWIDDLE(u[6].hi,u[14].hi,mul_p6q8);

  DFT2_TWIDDLE(u[7].lo,u[15].lo,mul_p7q8);
  DFT2_TWIDDLE(u[7].hi,u[15].hi,mul_p7q8);


  // 8x in-place DFT2 and twiddle (2)
  DFT2_TWIDDLE(u[0].lo,u[4].lo,mul_p0q4);
  DFT2_TWIDDLE(u[0].hi,u[4].hi,mul_p0q4);

  DFT2_TWIDDLE(u[1].lo,u[5].lo,mul_p1q4);
  DFT2_TWIDDLE(u[1].hi,u[5].hi,mul_p1q4);

  DFT2_TWIDDLE(u[2].lo,u[6].lo,mul_p2q4);
  DFT2_TWIDDLE(u[2].hi,u[6].hi,mul_p2q4);

  DFT2_TWIDDLE(u[3].lo,u[7].lo,mul_p3q4);
  DFT2_TWIDDLE(u[3].hi,u[7].hi,mul_p3q4);

  DFT2_TWIDDLE(u[8].lo,u[12].lo,mul_p0q4);
  DFT2_TWIDDLE(u[8].hi,u[12].hi,mul_p0q4);

  DFT2_TWIDDLE(u[9].lo,u[13].lo,mul_p1q4);
  DFT2_TWIDDLE(u[9].hi,u[13].hi,mul_p1q4);

  DFT2_TWIDDLE(u[10].lo,u[14].lo,mul_p2q4);
  DFT2_TWIDDLE(u[10].hi,u[14].hi,mul_p2q4);

  DFT2_TWIDDLE(u[11].lo,u[15].lo,mul_p3q4);
  DFT2_TWIDDLE(u[11].hi,u[15].hi,mul_p3q4);

  // 8x in-place DFT2 and twiddle (3)
  DFT2_TWIDDLE(u[0].lo,u[2].lo,mul_p0q2);
  DFT2_TWIDDLE(u[0].hi,u[2].hi,mul_p0q2);

  DFT2_TWIDDLE(u[1].lo,u[3].lo,mul_p1q2);
  DFT2_TWIDDLE(u[1].hi,u[3].hi,mul_p1q2);

  DFT2_TWIDDLE(u[4].lo,u[6].lo,mul_p0q2);
  DFT2_TWIDDLE(u[4].hi,u[6].hi,mul_p0q2);

  DFT2_TWIDDLE(u[5].lo,u[7].lo,mul_p1q2);
  DFT2_TWIDDLE(u[5].hi,u[7].hi,mul_p1q2);

  DFT2_TWIDDLE(u[8].lo,u[10].lo,mul_p0q2);
  DFT2_TWIDDLE(u[8].hi,u[10].hi,mul_p0q2);

  DFT2_TWIDDLE(u[9].lo,u[11].lo,mul_p1q2);
  DFT2_TWIDDLE(u[9].hi,u[11].hi,mul_p1q2);

  DFT2_TWIDDLE(u[12].lo,u[14].lo,mul_p0q2);
  DFT2_TWIDDLE(u[12].hi,u[14].hi,mul_p0q2);

  DFT2_TWIDDLE(u[13].lo,u[15].lo,mul_p1q2);
  DFT2_TWIDDLE(u[13].hi,u[15].hi,mul_p1q2);

  // 8x DFT2 and store (reverse binary permutation)
  y[0]    = u[0]  + u[1];
  y[p]    = u[8]  + u[9];
  y[2*p]  = u[4]  + u[5];
  y[3*p]  = u[12] + u[13];
  y[4*p]  = u[2]  + u[3];
  y[5*p]  = u[10] + u[11];
  y[6*p]  = u[6]  + u[7];
  y[7*p]  = u[14] + u[15];
  y[8*p]  = u[0]  - u[1];
  y[9*p]  = u[8]  - u[9];
  y[10*p] = u[4]  - u[5];
  y[11*p] = u[12] - u[13];
  y[12*p] = u[2]  - u[3];
  y[13*p] = u[10] - u[11];
  y[14*p] = u[6]  - u[7];
  y[15*p] = u[14] - u[15];
}

/#定义M#u PI 3.14159265358979f
//全局大小为x.Length/2，比例=1表示直接，1/N表示反向（iFFT）
__内核无效共轭数字刻度（uu全局浮点4*x，常量浮点刻度）
{
int i=获取全局id（0）；
浮子温度=刻度；
浮动4 t=（浮动4）（温度-温度，温度-温度）；
x[i]*=t；
}
//返回a*EXP（-I*PI*1/2）=a*（-I）
float2 mul_p1q2（float2 a）{return（float2）（a.y，-a.x）；}
//返回^2
浮动2 sqr_1（浮动2 a）
{return（float2）（a.x*a.x-a.y*a.y，2.0f*a.x*a.y）；}
//返回A中四个复数的2x DFT2
//如果A=（A，b，c，d），则返回（A'，b'，c'，d'），其中（A'，c'）=DFT2（A，c）
//和（b'，d'）=DFT2（b，d）。
float8dft2_4（float8a）{return（float8）（a.lo+a.hi，a.lo-a.hi）；}
//返回A中4个复数的DFT
浮动8 dft4_4（浮动8 a）
{
//2x DFT2
float8x=dft2_4（a）；
//洗牌、旋转和2倍DFT2
返回dft2_4（（浮动8）（x.lo.lo，x.hi.lo，x.lo.hi，mul_p1q2（x.hi.hi））；
}
//复数乘积，复数向量的乘积
#定义MUL_RE（a，b）（a.偶数*b.偶数-a.奇数*b.奇数）
#定义多个IM（a，b）（a.偶数*b.奇数+a.奇数*b.偶数）
浮点数2 mul_1（浮点数2 a、浮点数2 b）
{float2x；x.偶=MUL_RE（a，b）；x.奇=MUL_IM（a，b）；返回x；}
浮动4多个浮动1个浮动F4（浮动4 a，浮动4 b）
{float4x；x.偶=MUL_RE（a，b）；x.奇=MUL_IM（a，b）；返回x；}
浮点数4 mul_2（浮点数4 a、浮点数4 b）
{float4x；x.偶=MUL_RE（a，b）；x.奇=MUL_IM（a，b）；返回x；}
//返回向量A中两个复数的DFT2
float4dft2_2（float4a）{return（float4）（a.lo+a.hi，a.lo-a.hi）；}
//返回cos（alpha）+I*sin（alpha）（3种变体）
浮动2 exp_alpha_1（浮动alpha）
{
浮子cs，sn；
//sn=sincos（alpha，&cs）；//sincos
//cs=native_cos（alpha）；sn=native_sin（alpha）；//native sin+cos
cs=cos（alpha）；sn=sin（alpha）；//sin+cos
返回（浮动2）（cs，序列号）；
}
//返回cos（alpha）+I*sin（alpha）（3种变体）
浮动4 exp_alpha_1_F4（浮动alpha）
{
浮子cs，sn；
//sn=sincos（alpha，&cs）；//sincos
//cs=native_cos（alpha）；sn=native_sin（alpha）；//native sin+cos
cs=cos（alpha）；sn=sin（alpha）；//sin+cos
返回（浮动4）（cs、序列号、cs、序列号）；
}
//mul_p*q*（a）返回一个*EXP（-I*PI*p/q）
#定义mul_p0q1（a）（a）
#定义多个p0q2多个p0q1
//float2 mul_p1q2（float2 a）{return（float2）（a.y，-a.x）；}
__常量浮点SQRT_1_2=0.707106781186548；//cos（Pi/4）
#定义多个p0q4多个p0q2
float2 mul_p1q4（float2 a）{返回（float2）（SQRT_1_2）*（float2）（a.x+a.y，-a.x+a.y）；}
#定义多个p2q4多个p1q2
float2 mul_p3q4（float2 a）{return（float2）（SQRT_1_2）*（float2）（-a.x+a.y，-a.x-a.y）}
__恒定浮动COS_8=0.9238795352511287；//cos（Pi/8）
__恒定浮动SIN_8=0.382683432365089；//sin（Pi/8）
#定义多个p0q8多个p0q4
float2 mul_p1q8（float2 a）{返回mul_1（（float2）（COS_8，-SIN_8），a）}
#定义多个p2q8多个p1q4
float2 mul_p3q8（float2 a）{返回mul_1（（float2）（SIN_8，-COS_8），a）}
#定义多个p4q8多个p2q4
float2 mul_p5q8（float2 a）{返回mul_1（（float2）（-SIN_8，-COS_8），a）}
#定义多个p6q8多个p3q4
float2 mul_p7q8（float2 a）{返回mul_1（（float2）（-COS_8，-SIN_8），a）}
//就地计算DFT2并旋转
#定义DFT2_旋转（a，b，t）{float2tmp=t（a-b）；a+=b；b=tmp；}
//T=N/16=螺纹数。
//P是输入子序列的长度，1,16256，…，N/16。
__内核无效FFT半径16（uuu全局常量浮点4*x，uuu全局浮点4*y，int-pp）
{
int p=pp；
int t=get_global_size（0）；//线程数
int i=
var ev = new[] { new Cl.Event() };
var pEv = new[] { new Cl.Event() };

int fftSize = 1;
int iter = 0;
int n = distributionSize >> 5;
while (fftSize <= n)
{
    Cl.SetKernelArg(fftKernel, 0, memA);
    Cl.SetKernelArg(fftKernel, 1, memB);
    Cl.SetKernelArg(fftKernel, 2, fftSize);

    Cl.EnqueueNDRangeKernel(commandQueue, fftKernel, 1, null, globalWorkgroupSize, localWorkgroupSize,
        (uint)(iter == 0 ? 0 : 1),
        iter == 0 ? null : pEv,
        out ev[0]).Check();
    if (iter > 0)
        pEv[0].Dispose();
    Swap(ref ev, ref pEv);

    Swap(ref memA, ref memB); // ping-pong

    fftSize = fftSize << 4;
    iter++;

    Cl.Finish(commandQueue);
}

Swap(ref memA, ref memB);