fftw_plan_dft_2d优化

fftw_plan_dft_2d优化方法，

fftw_plan_dft_2d的输入和输出都是

fftwf_complex * *

经过测试发现，

fftw_plan_dft_2d创建以后，把输入数据换掉(不是重新实例化，把数据内容更新)，重新执行后，结果也会更新，

这样，输入输出的数组大小类型不变，就可以反复使用，不用每次执行时创建与释放，效率能提高好几倍乃至好几十倍。

加上参数FFTW_WISDOM_ONLY，分配内存为空。

fftPlan = fftwf_plan_dft_r2c_2d(row, col, (float *) xtv[0].data,
(fftwf_complex *) xtfv[0].data, FFTW_WISDOM_ONLY|FFTW_PATIENT);

#include "fftw3.h"
#include <iostream>
#include <string>
#include <cassert>
using namespace std;
int main(int argc,char * argv[]) {int row=10; int col;float * realInput;fftwf_complex * complexOutput;fftwf_complex * complexInput;float * realOutput;for(int i= 1;i<argc;i++){row = col;realInput   = (float *)  fftwf_malloc(sizeof (float) * row * col );assert(realInput!=nullptr);complexOutput = (fftwf_complex *) fftwf_malloc(sizeof (fftwf_complex) * row * (col/2+1));assert(complexOutput!=nullptr);fftwf_plan r2c = fftwf_plan_dft_r2c_2d(row, col, realInput, complexOutput, FFTW_PATIENT);if(r2c == nullptr ){cout << "fftwf create r2c plan failed!" << endl;cout << "plan row: " << row << " col: " << col << endl;exit(1);} else {cout << "fftwf success to create fft r2c!" << endl;cout << "plan row: " << row << " col: " << col << endl;}complexInput = (fftwf_complex *) fftwf_malloc(sizeof (fftwf_complex) * row * (col/2+1) );assert(complexInput!=nullptr);realOutput = (float *) fftwf_malloc(sizeof (float) * row * col);assert(realOutput!=nullptr);fftwf_plan c2r = fftwf_plan_dft_c2r_2d(row, col, complexInput, realOutput, FFTW_PATIENT);if(c2r == nullptr){cout << "fftwf create c2r failed!" << endl;cout << "plan row: " << row << " col: " << col << endl;exit(1);} else {cout << "fftwf success to create c2r!" << endl;cout << "plan row: " << row << " col: " << col << endl;}}string wisdomFile = "wisdom";if(1==fftwf_export_wisdom_to_filename(wisdomFile.c_str()))cout << "fftwf_export_wisdom_to_filename wisdom success" << endl;elsecout << "fftwf_export_wisdom_to_filename wisdom fail" << endl;}

fftw_plan_dft_2d优化相关推荐

fftw_plan_dft_2d重复优化
原文:http://bbs.csdn.net/topics/330133751 #include <stdio.h> #include <stdlib.h> #include ...
系统遇到并发瓶颈时的优化方向
1. 设计高质量代码优化Map 使用读写锁,读写锁读多写少(存储用户连接信息) map不要太大. 2. 突破系统瓶颈优化连接数 linux下的系统最大连接数 3. 降低对Cpu资源的使用降低io ...
SVN优化(一) SVN忽略maven项目的target
SVN优化(一) SVN忽略maven项目的target 一 eclipse刚开始导入的项目: 二解决办法方式一: 在项目代码路径,如: F:\xyx\sl 鼠标右键,"Tortoi ...
如何定位并优化慢查询Sql
根据慢日志定位慢查询SQL. 查询慢日志相关变量,并进行设置: 主要关注下述三个变量: long_query_time.show_query_log_file.show_query_log 慢查询sq ...
kali2020进入单模式_蚂蚁集团技术专家山丘：性能优化的常见模式及趋势
陈显铭(山丘) 读完需要 6分钟速读仅需 2 分钟陈显铭,花名山丘,就职于蚂蚁集团,对分布式应用架构.服务化.性能优化等有深入的理解.参与支付宝支付链路核心系统,设计.调优应用系统关键能力, 高效 ...
各种优化算法公式快速回忆优化器-深度学习
本文是Deep Learning 之最优化方法系列文章的RMSProp方法.主要参考Deep Learning 一书. 整个优化系列文章列表: Deep Learning 之最优化方法 Deep ...
Pytorch实现MNIST（附SGD、Adam、AdaBound不同优化器下的训练比较） adabound实现
学习工具最快的方法就是在使用的过程中学习,也就是在工作中(解决实际问题中)学习.文章结尾处附完整代码. 一.数据准备在Pytorch中提供了MNIST的数据,因此我们只需要使用Pytorch提 ...
从 SGD 到 Adam —— 深度学习优化算法概览各种优化器重点
20210701 https://blog.51cto.com/u_15064630/2571266 [机器学习基础]优化算法详解详细 https://blog.csdn.net/u01338501 ...
梯度优化算法Adam
最近读一个代码发现用了一个梯度更新方法, 刚开始还以为是什么奇奇怪怪的梯度下降法, 最后分析一下是用一阶梯度及其二次幂做的梯度更新.网上搜了一下, 果然就是称为Adam的梯度更新算法, 全称是:自适应 ...

fftw_plan_dft_2d优化

fftw_plan_dft_2d优化相关推荐

最新文章

热门文章