Python Accelerate和NumPy为FFT生成不同的结果

我正在为CoreML开发一个功能工程管道，我需要对我的数据执行FFT。问题是加速框架的结果和NumPy FFT的结果不同

斯威夫特：

public func fft(_ input: [Double]) -> [Double] {
    var real = [Double](input)
    var imaginary = [Double](repeating: 0.0, count: input.count)
    var splitComplex = DSPDoubleSplitComplex(realp: &real, imagp: &imaginary)

    let length = vDSP_Length(floor(log2(Float(input.count))))
    let radix = FFTRadix(kFFTRadix2)
    let weights = vDSP_create_fftsetupD(length, radix)
    vDSP_fft_zipD(weights!, &splitComplex, 1, length, FFTDirection(FFT_FORWARD))

    var magnitudes = [Double](repeating: 0.0, count: input.count)
    vDSP_zvmagsD(&splitComplex, 1, &magnitudes, 1, vDSP_Length(input.count))

    var normalizedMagnitudes = [Double](repeating: 0.0, count: input.count)
    vDSP_vsmulD(sqrt(magnitudes), 1, [2.0 / Double(input.count)], &normalizedMagnitudes, 1, vDSP_Length(input.count))

    vDSP_destroy_fftsetupD(weights)

    return normalizedMagnitudes
}

Python:

def fft(series: pd.Series):
    f = np.fft.fft(series)
    fa = np.abs(f)
    return pd.Series(fa)

我对每种方法使用相同的100个值

我想这与规范化部分有关，但我甚至不确定两个数组是否包含相同的内容，如：

• 索引0：零频率项
• 指数1-50：正震级
• 指数50-99：负震级

我只对正数感兴趣

编辑：

以下是NumPy图：

这是加速图：

---

我希望有人能帮忙：）

如果accelerate返回数量级的sqrt，结果与

python

相同

  public func fft(_ input: [Double]) -> [Double] {
   ....
   return  magnitudes.map{sqrt($0)}
   }

你可以找出哪一个不是现在。如果您想使用accelerate， 可以使用以下选项：

    public func fft(_ input: [Double]) -> [Double] {
   ....

    var normalizedMagnitudes = [Double](repeating: 0.0, count: input.count)
    var count : Int32 = Int32(input.count)
    vvsqrt(   &normalizedMagnitudes, &magnitudes, &count )



     vDSP_destroy_fftsetupD(weights)

     return normalizedMagnitudes}

有两个问题：

• 正如所指出的，使用Accelerate framework的FFT的实现包括一个归一化步骤，该步骤取幅值的平方根并乘以标量

  2/N

  。使用NumPy的实现没有

• NumPy的FFT支持任意长度的输入，产生的频率单元与您期望的一样（索引0处为零频率，索引1-50处为正频率，索引51-99处为负频率）。另一方面，加速框架中的FFT长度需要为2的幂。相应地，该代码示例计算前64个输入值的FFT。这将零频率置于指数0，正频率置于指数1-32，负频率置于指数33-63。剩下的索引（64-99）只是未触及的输入的剩余部分

---

但如何解释加速曲线图中60处的峰值？不可能是sqrt。。。我似乎是某种线性缩放，因为比例大约是2。那么你仍然错过了numpy中的线性缩放步骤