Вычисления свертки в Numpy / Scipy

Профилирование некоторой вычислительной работы, которую я делаю, показало мне, что одним узким местом в моей программе была функция, которая в основном делала это ( np – numpy , sp 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) 

Оба сигнала имеют форму (C, N) где C – количество наборов данных (обычно меньше 20), а N – количество выборок в каждом наборе (около 5000). Вычисление для каждого набора (строки) полностью не зависит от какого-либо другого набора.

• Количественное определение качества кривой при помощи Python SciPy
• Подгонка кривой к сегментированному изображению
• как я могу обновить scipy в winpython на окнах?
• точки сортировки для формирования непрерывной линии
• векторизованный подход к бинингам с numpy / scipy в Python

Я понял, что это была просто свертка, поэтому я попытался ее заменить:

 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 

… просто чтобы узнать, получили ли я те же результаты. Но я этого не делал, и мои вопросы:

1. Почему нет?
2. Есть ли лучший способ вычислить эквивалент mix1() ?

(Я понимаю, что mix2 вероятно, не был бы быстрее, как есть, но, возможно, это была хорошая отправная точка для параллелизации.)

Вот полный сценарий, который я использовал, чтобы быстро проверить это:

 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) 

 x1 = np.random.uniform(size=2**17-1) x2 = np.random.uniform(size=2**17) np.fft.fft(x1) np.fft.fft(x2) 

 for idx, row in enumerate(outputs): outputs[idx] = sp.ndimage.convolve(signal1[idx], signal2[idx], mode='wrap')