Cálculos de evolução em Numpy / Scipy
perfil de um trabalho computacional que estou fazendo me mostrou que um gargalo no meu programa era uma função que basicamente fazia isso np
énumpy
, sp
éscipy
):
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)
Ambos os sinais têm forma(C, N)
OndeC
é o número de conjuntos de dados (geralmente menores que 20) eN
é o número de amostras em cada conjunto (cerca de 5000). A computação para cada conjunto (linha) é completamente independente de qualquer outro conjunt
Pensei que era apenas uma convolução simples, então tentei substituí-lo por:
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
... só para ver se obtive os mesmos resultados. Mas não, e minhas perguntas são:
Por que não Existe uma maneira melhor de calcular o equivalente amix1()
? (Eu percebo quemix2
rovavelmente não teria sido mais rápido, mas poderia ter sido um bom ponto de partida para a paralelizaçã
Aqui está o script completo que eu usei para verificar rapidamente isso:
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)