分析我正在做的一些计算工作向我表明,我的程序中的一个瓶颈是一个基本上可以做到这一点的函数(np
是numpy
,sp
是scipy
):
def mix1(signal1, signal2):
spec1 = np.fft.fft(signal1, axis=1)
spec2 = np.fft.fft(signal2, axis=1)
return np.fft.ifft(spec1*spec2, axis=1)
两个信号都具有形状(C, N)
,其中C
是数据集的数量(通常小于 20),并且N
是每组中的样本数(大约 5000)。每个集合(行)的计算完全独立于任何其他集合。
我认为这只是一个简单的卷积,所以我尝试将其替换为:
def mix2(signal1, signal2):
outputs = np.empty_like(signal1)
for idx, row in enumerate(outputs):
outputs[idx] = sp.signal.convolve(signal1[idx], signal2[idx], mode='same')
return outputs
...只是看看我是否得到了相同的结果。但我没有,我的问题是:
- 为什么不?
- 有没有更好的方法来计算 的等价物
mix1()
?
(我意识到mix2
按原样可能不会更快,但它可能是并行化的一个很好的起点。)
这是我用来快速检查的完整脚本:
import numpy as np
import scipy as sp
import scipy.signal
N = 4680
C = 6
def mix1(signal1, signal2):
spec1 = np.fft.fft(signal1, axis=1)
spec2 = np.fft.fft(signal2, axis=1)
return np.fft.ifft(spec1*spec2, axis=1)
def mix2(signal1, signal2):
outputs = np.empty_like(signal1)
for idx, row in enumerate(outputs):
outputs[idx] = sp.signal.convolve(signal1[idx], signal2[idx], mode='same')
return outputs
def test(num, chans):
sig1 = np.random.randn(chans, num)
sig2 = np.random.randn(chans, num)
res1 = mix1(sig1, sig2)
res2 = mix2(sig1, sig2)
np.testing.assert_almost_equal(res1, res2)
if __name__ == "__main__":
np.random.seed(0x1234ABCD)
test(N, C)