_trac用户koehler于2009-10-19发行的原始票证http://projects.scipy.org/numpy/ticket/1266 ，已分配给未知帐户。
尽管numpy.fft.fft的文档指出：
“这对于2的n次方而言是最有效的。它还为不同大小的fft存储了工作内存的高速缓存，因此，如果您多次使用不同的n进行多次调用，则理论上可能会遇到内存问题。” ，我认为在fft运行时报告这种奇怪情况可能很重要。
根据数组长度的不同，fft运行时的确会极端变化：
[ipython shell, from numpy import *]
In [1]: %time fft.fft(zeros(119516))
CPU times: user 22.83 s, sys: 0.39 s, total: 23.23 s
Wall time: 23.53 s
In [3]: %time fft.fft(zeros(119517))
CPU times: user 36.33 s, sys: 0.08 s, total: 36.40 s
Wall time: 36.51 s
In [5]: %time fft.fft(zeros(119518))
CPU times: user 4.88 s, sys: 0.08 s, total: 4.96 s
Wall time: 5.02 s
In [7]: %time fft.fft(zeros(119519))
CPU times: user 0.45 s, sys: 0.00 s, total: 0.45 s
Wall time: 0.45 s
In [9]: %time fft.fft(zeros(119515))
CPU times: user 0.07 s, sys: 0.00 s, total: 0.08 s
Wall time: 0.08 s
In [11]: %time fft.fft(zeros(119514))
CPU times: user 15.84 s, sys: 0.06 s, total: 15.90 s
Wall time: 15.95 s
In [13]: %time fft.fft(zeros(119513))
CPU times: user 272.75 s, sys: 1.03 s, total: 273.78 s
Wall time: 275.63 s
thouis
所有19条评论
_ @ endolith发表于2009-11-20_
numpy-gitbot
于 2012-10-23
_ @ rgommers写于2011-03-01_
numpy-gitbot
于 2012-10-23
numpy-gitbot
于 2012-10-23
里程碑由@mwiebe于2011-03-25更改为Unscheduled
numpy-gitbot
于 2012-10-23
在此过程中，建议对小素数进行填充
https://github.com/scipy/scipy/pull/3144
具有获得更好的填充大小的功能可能是numpys fftpack中的有用实用程序
juliantaylor
于 2014-01-18
是的，代替m = 2 ** nextpow2(2 * n - 1)可以更快使用next_regular功能
endolith
于 2014-01-19
我还使用pymbar的detect_equilibration函数遇到了这个问题，该函数在许多越来越短的数组上通过
np.fft.fftpack._fft_cache.clear()
确保内存需求不会危险地增长。 但是，这似乎不是理想的解决方案。 最好使用kwarg（例如“ memsafe = True”）和/或无需明确引用全局变量即可手动清除缓存的函数。
smcantab
于 2015-01-26
@juliantaylor填充不适用于纯FFT，对吗？ 只是为了卷积/相关？
@rgommers Bluestein算法确实加快了素数大小的FFT，如https://github.com/scipy/scipy/issues/4288中所述，但是需要对复杂的pre进行预计算，并且在保留在内存中发出声，并在数据块上重复使用它。 所以我不确定这是否对numpy有用，也许只是推迟到scipy.fftpack.czt用于此应用程序？
无论如何，我认为可以将其作为https://github.com/numpy/numpy/issues/1177的副本关闭？ 除非像Rader的算法这样的东西比Bluestein的算法更好？
和@smcantab的问题不同？
endolith
于 2016-02-16
@endolith这是很久以前的:)但是，是的，现在我再次看它，这似乎是一个不同的问题。 我报告的问题可能仍然很重要，因此我必须实施在pymbar中建议的解决方法才能起作用。
smcantab
于 2016-02-22
仅供参考，我在一个音频会议上遇到了一个人，向我展示了这个例子。 它易于复制且极端。
%time np.fft.fft( np.random.randn(100000) )
Wall time: 16 ms
Out[16]:
array([ 196.58599022 +0.j , -88.38483360 +89.2507627j ,
-166.72250316+339.27161306j, ..., 12.22959535 -64.01621313j,
-166.72250316-339.27161306j, -88.38483360 -89.2507627j ])
%time np.fft.fft( np.random.randn(100003) )
Wall time: 1min 42s
Out[17]:
array([ 13.36160617 +0.j , -314.86472577-340.44686425j,
-258.36716707-170.43805382j, ..., -21.18014704+441.3618185j ,
-258.36716707+170.43805382j, -314.86472577+340.44686425j])
长度1e6的fft：16毫秒
长度为1e6 + 3的英尺英尺：1分钟和42秒
standarddeviant
于 2017-10-18
功能，不是错误。 当大小因子是数字2、3、4、5的乘积时，FFTPACK才是“快速”的。长期以来，人们一直希望对较大的素数使用更快的算法，但是尚未实现。 请注意100003是质数。
charris
于 2017-10-18
我不会称其为“功能”，但这是正常现象，而不是错误。 :)
https://github.com/scipy/scipy/issues/4288具有Bluestein的算法，但是它需要对复杂的线性调频器进行预计算，因此需要进行一些测试，以了解在哪些最佳大小上值得。
endolith
于 2017-10-19
有趣。 我知道的主要事情是，Julia和Matlab的默认fft实现没有此行为。 我很好奇Julia的实现是如何避免这种行为的。
standarddeviant
于 2017-10-19
朱莉娅和Matlab呼叫FFTW，由于其许可证，我们无法执行此操作。
charris
于 2017-10-19
请注意，FFTW有Python绑定。 pyFFTW似乎是最新的。 如果需要考虑FFT速度，那可能是可行的方法。 FFTPACK当时是一个很好的实现，但是代码和硬件已经发展了。
charris
于 2017-10-19
@charris我非常感谢您提供的信息，这很不幸，但是对于许可证很有道理。
standarddeviant
于 2017-10-20
@standarddeviant您也可以在numpy / scipy上方对pyfftw进行猴子补丁，以使其使用FFTW
endolith
于 2017-10-20
这应该在numpy 1.17中修复。
mreineck
于 2019-04-05
谢谢@mreineck ，关闭
rgommers
于 2019-04-05
相关问题
MareinK
·
3评论
Levstyle
·
3评论
MorBilly
·
4评论
astrofrog
·
4评论
Foadsf
·
3评论
最有用的评论
这应该在numpy 1.17中修复。