为什么基于FFTW的pyfftw比numpy的fft()慢？

Question

我运行test sqript。它使用了基于FFTW的numpy.fft.fft()、anfft.fft()和基于FFTW的pyfftw.interfaces.numpy_fft.fft()。

以下是我的测试脚本的源代码：

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)

我得到的结果是：

Time numpy: 0.00154248116307
Time anfft: 0.0139805208195
Time pyfftw: 0.137729374893

anfft库在大数据上产生更快的fft，但是pyfftw呢？为什么它这么慢？

Answer 1

在这种情况下，产生比CPU核心更多的线程不会提高性能，而且可能会由于切换线程的开销而使程序变慢。50个线程完全是大材小用。

尝试使用一个线程进行基准测试。

Answer 2

这里的问题是使用numpy_fft接口的开销。首先，您应该使用pyfftw.interfaces.cache.enable()启用缓存，然后使用timeit测试结果。即使使用缓存，也存在使用接口的固定开销，如果使用原始接口，则不会出现这种开销。

在我的机器上，在128个长度的数组上，接口的开销仍然比numpy.fft更慢。随着长度的增加，这种开销变得不那么重要，因此在16000长度的数组中，numpy_fft接口的速度会更快。

您可以调用一些tweaks来加快接口端的速度，但这些不太可能对您的情况有太大影响。

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FFTW object，而最简单的方法是使用builders函数。在您的案例中：

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

这样，我得到的pyfftw比长度为128的数组的np.fft快15倍。

Answer 3

这可能是因为pyFFTW实际上花费了大部分时间来规划转换。例如，尝试在pyfftw fft调用中包含planner_effort='FFTW_ESTIMATE'，看看这对性能有何影响。