Python 为什么基于FFTW的pyfftw速度较慢；s fft（）？

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

以下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库在海量数据上产生更快的fft，但pyfftw呢？为什么这么慢？

在这种情况下，产生的线程数超过CPU核心数不会提高性能，并且可能会由于切换线程的开销而使程序变慢。50个线程完全是多余的

---

尝试使用一个线程进行基准测试。

在这种情况下，产生的线程数超过CPU核心数不会提高性能，并且可能会由于切换线程的开销而使程序速度变慢。50个线程完全是多余的

---

尝试使用一个线程进行基准测试。

可能pyFFTW实际上花费了大部分时间来规划转换。尝试在pyfftw fft调用中包含例如

planner\u efforce='FFTW\u ESTIMATE'

，看看这会如何影响性能。

可能pyfftw实际上花费了大部分时间规划转换。尝试在pyfftw fft调用中包括例如

planner\u efforce='FFTW\u ESTIMATE'

，看看这会如何影响性能。

这里的问题是使用

numpy\u fft

接口的开销。首先，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，也会有固定的使用接口开销

在我的机器上，在128长度的数组上，接口的开销仍然比

numpy.fft

慢得多。随着长度的增加，这种开销变得不那么重要，比如说16000长度的数组，

numpy\u fft

接口速度更快

在接口端，您可以调用一些函数来加快速度，但这些函数在您的情况下不太可能产生太大的影响

在所有情况下，获得尽可能快的转换的最佳方法是直接使用，最简单的方法是使用函数。就你而言：

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

---

因此，我得到pyfftw比128长度数组的

np.fft

快15倍。

这里的问题是使用

numpy\u fft

接口的开销。首先，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，使用原始接口时不存在的接口也会带来固定的开销

在我的机器上，在128长度的数组上，接口的开销仍然比

numpy.fft

慢得多。随着长度的增加，这种开销变得不那么重要，比如说16000长度的数组，

numpy\u fft

接口速度更快

在接口端，您可以调用一些函数来加快速度，但这些函数在您的情况下不太可能产生太大的影响

在所有情况下，获得尽可能快的转换的最佳方法是直接使用，最简单的方法是使用函数。就你而言：

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

---

这样我得到pyfftw比128长度数组的

np.fft

快15倍左右。

回答得好。但实际上，OP应该尝试使用（假设是8核机器）进行基准测试，比如1、2、4、8、16、32和64个线程，看看它在达到8个线程时会变得更快，然后又开始变慢，这应该会让你的观点更加明确。此外，由于数据集如此之小，代码很可能会在线程启动和拆卸上浪费更多时间，数据分区和组合等都比实际工作中节省的要多，所以任何有用的基准测试都应该使用更多的数据。回答得好。但实际上，OP应该尝试使用（假设是8核机器）进行基准测试，比如1、2、4、8、16、32和64个线程，看看它在达到8个线程时会变得更快，然后又开始变慢，这应该会让你的观点更加明确。此外，由于数据集如此之小，代码很可能会在线程启动和拆卸上浪费更多时间，数据分区和组合等都比实际工作中节省的要多，所以任何有用的基准测试都应该使用更多的数据。您不应该以这种方式分析代码

time.clock（）

通常不适合使用，你没有禁用GC，你只做了一次重复…正确的方法是使用，它会为你处理所有事情，包括你没有想到的需要处理的东西。我发现numpy.fft.fft也比matlab fft函数快。不知道为什么。你不应该这样分析代码

time.clock（）

通常不适合使用，你没有禁用GC，你只做了一次重复…正确的方法是使用，它会为你处理所有事情，包括你没有想到的需要处理的东西。我发现numpy.fft.fft也比matlab fft函数快。不知道为什么。