转载自http://blog.jobbole.com/58246/
快速傅里叶变换（Fast Fourier Transform）是信号处理与数据分析领域里最重要的算法之一。没有正规计算机科学课程背景的我，使用这个算法多年，但这周我却突然想起自己从没思考过为什么FFT能如此快速地计算离散傅里叶变换。我打开一本老旧的算法书，欣赏了JW Cooley 和 John Tukey 在1965年的文章中，以看似简单的计算技巧来讲解这个东西。
本文的目标是，深入Cooley-Tukey FFT 算法，解释作为其根源的“对称性”，并以一些直观的python代码将其理论转变为实际。我希望这次研究能使数据科学家（例如我），对这个算法的背景原理有更全面的认识。
FFT（快速傅里叶变换）本身就是离散傅里叶变换（Discrete Fourier Transform）的快速算法，使算法复杂度由原本的O(N^2) 变为 O(NlogN)，离散傅里叶变换DFT，如同更为人熟悉的连续傅里叶变换，有如下的正、逆定义形式：
xn 到 Xk 的转化就是空域到频域的转换，这个转换有助于研究信号的功率谱，和使某些问题的计算更有效率。事实上，你还可以查看一下我们即将推出的天文学和统计学的图书的第十章（这里有一些图示和python代码）。作为一个例子，你可以查看下我的文章《用python求解薛定谔方程》，是如何利用FFT将原本复杂的微分方程简化。
正因为FFT在那么多领域里如此有用，python提供了很多标准工具和封装来计算它。NumPy 和 SciPy 都有经过充分测试的封装好的FFT库，分别位于子模块 numpy.fft 和 scipy.fftpack 。我所知的最快的FFT是在 FFTW包中 ，而你也可以在python的pyFFTW 包中使用它。
虽然说了这么远，但还是暂时先将这些库放一边，考虑一下怎样使用原始的python从头开始计算FFT。
计算离散傅里叶变换
简单起见，我们只关心正变换，因为逆变换也只是以很相似的方式就能做到。看一下上面的DFT表达式，它只是一个直观的线性运算：向量x的矩阵乘法，
矩阵M可以表示为
这么想的话，我们可以简单地利用矩阵乘法计算DFT：
|
1
2
3
4
5
6
7
8
9
|
importnumpy asnp
defDFT_slow(x):
"""Compute the discrete Fourier Transform of the 1D array x"""
x=np.asarray(x,dtype=float)
N=x.shape[0]
n=np.arange(N)
k=n.reshape((N,1))
M=np.exp(-2j*np.pi*k*n/N)
returnnp.dot(M,x)
|
对比numpy的内置FFT函数，我们来对结果进行仔细检查，
|
1
2
|
x=np.random.random(1024)
np.allclose(DFT_slow(x),np.fft.fft(x))
|
输出：
|
1
|
True
|
现在为了验证我们的算法有多慢，对比下两者的执行时间
|
1
2
3
|
%timeitDFT_slow(x)
%timeitnp.fft.fft(x)
|
输出：
|
1
2
|
10loops,best of3:75.4ms per loop
10000loops,best of3:25.5µsper loop
|
使用这种简化的实现方法，正如所料，我们慢了一千多倍。但问题不是这么简单。对于长度为N的输入矢量，FFT是O(N logN)级的，而我们的慢算法是O(N^2)级的。这就意味着，FFT用50毫秒能干完的活，对于我们的慢算法来说，要差不多20小时！ 那么FFT是怎么提速完事的呢？答案就在于他利用了对称性。
离散傅里叶变换中的对称性
算法设计者所掌握的最重要手段之一，就是利用问题的对称性。如果你能清晰地展示问题的某一部分与另一部分相关，那么你就只需计算子结果一次，从而节省了计算成本。
Cooley 和 Tukey 正是使用这种方法导出FFT。 首先我们来看下
的值。根据上面的表达式，推出：
对于所有的整数n，exp[2π i n]=1。
最后一行展示了DFT很好的对称性：
简单地拓展一下：
同理对于所有整数 i 。正如下面即将看到的，这个对称性能被利用于更快地计算DFT。
DFT 到 FFT：
利用对称性 Cooley 和 Tukey 证明了，DFT的计算可以分为两部分。从DFT的定义得：
我们将单个DFT分成了看起来相似两个更小的DFT。一个奇，一个偶。目前为止，我们还没有节省计算开销，每一部分都包含(N/2)∗N的计算量，总的来说，就是N^2 。
技巧就是对每一部分利用对称性。因为 k 的范围是 0≤k<N ， 而 n 的范围是 0≤n<M≡N/2 ， 从上面的对称性特点来看，我们只需对每个子问题作一半的计算量。O(N^2) 变成了 O(M^2) 。
但我们不是到这步就停下来，只要我们的小傅里叶变换是偶倍数，就可以再作分治，直到分解出来的子问题小到无法通过分治提高效率，接近极限时，这个递归是 O(n logn) 级的。
这个递归算法能在python里快速实现，当子问题被分解到合适大小时，再用回原本那种“慢方法”。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
defFFT(x):
"""A recursive implementation of the 1D Cooley-Tukey FFT"""
x=np.asarray(x,dtype=float)
N=x.shape[0]
ifN%2>0:
raiseValueError("size of x must be a power of 2")
elifN<=32: # this cutoff should be optimized
returnDFT_slow(x)
else:
X_even=FFT(x[::2])
X_odd=FFT(x[1::2])
factor=np.exp(-2j*np.pi*np.arange(N)/N)
returnnp.concatenate([X_even+factor[:N/2]*X_odd,
X_even+factor[N/2:]*X_odd])
|
现在我们做个快速的检查，看结果是否正确：
|
1
2
|
x=np.random.random(1024)
np.allclose(FFT(x),np.fft.fft(x))
|
|
1
|
True
|
然后与“慢方法”的运行时间对比下：
|
1
2
3
4
5
|
%timeitDFT_slow(x)
%timeitFFT(x)
%timeitnp.fft.fft(x)
|
|
1
2
3
|
10loops,best of3:77.6ms per loop
100loops,best of3:4.07ms per loop
10000loops,best of3:24.7µsper loop
|
现在的算法比之前的快了一个数量级。而且，我们的递归算法渐近于 O(n logn) 。我们实现了FFT 。
需要注意的是，我们还没做到numpy的内置FFT算法，这是意料之中的。numpy 的 fft 背后的FFTPACK算法 是以 Fortran 实现的，经过了多年的调优。此外，我们的NumPy的解决方案，同时涉及的Python堆栈递归和许多临时数组的分配，这显著地增加了计算时间。
还想加快速度的话，一个好的方法是使用Python/ NumPy的工作时，尽可能将重复计算向量化。我们是可以做到的，在计算过程中消除递归，使我们的python FFT更有效率。
向量化的NumPy
注意上面的递归FFT实现，在最底层的递归，我们做了N/32次的矩阵向量乘积。我们的算法会得益于将这些矩阵向量乘积化为一次性计算的矩阵-矩阵乘积。在每一层的递归，重复的计算也可以被向量化。因为NumPy很擅长这类操作，我们可以利用这一点来实现向量化的FFT。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
defFFT_vectorized(x):
"""A vectorized, non-recursive version of the Cooley-Tukey FFT"""
x=np.asarray(x,dtype=float)
N=x.shape[0]
ifnp.log2(N)%1>0:
raiseValueError("size of x must be a power of 2")
# N_min here is equivalent to the stopping condition above,
# and should be a power of 2
N_min=min(N,32)
# Perform an O[N^2] DFT on all length-N_min sub-problems at once
n=np.arange(N_min)
k=n[:,None]
M=np.exp(-2j*np.pi*n*k/N_min)
X=np.dot(M,x.reshape((N_min,-1)))
# build-up each level of the recursive calculation all at once
whileX.shape[0]<N:
X_even=X[:,:X.shape[1]/2]
X_odd=X[:,X.shape[1]/2:]
factor=np.exp(-1j*np.pi*np.arange(X.shape[0])
/X.shape[0])[:,None]
X=np.vstack([X_even+factor*X_odd,
X_even-factor*X_odd])
returnX.ravel()
|
|
1
2
|
x=np.random.random(1024)
np.allclose(FFT_vectorized(x),np.fft.fft(x))
|
|
1
|
True
|
因为我们的算法效率更大幅地提升了，所以来做个更大的测试（不包括DFT_slow）
|
1
2
3
4
5
6
|
x=np.random.random(1024*16)
%timeitFFT(x)
%timeitFFT_vectorized(x)
%timeitnp.fft.fft(x)
|
|
1
2
3
|
10loops,best of3:72.8ms per loop
100loops,best of3:4.11ms per loop
1000loops,best of3:505µsper loop
|
我们的实现又提升了一个级别。这里我们是以 FFTPACK中大约10以内的因数基准，用了仅仅几十行 Python + NumPy代码。虽然没有相应的计算来证明， Python版本是远优于 FFTPACK源，这个你可以从这里浏览到。
那么 FFTPACK是怎么获得这个最后一点的加速的呢？也许它只是一个详细的记录簿， FFTPACK花了大量时间来保证任何的子计算能够被复用。我们这里的numpy版本涉及到额外的内存的分配和复制，对于如Fortran的一些低级语言就能够很容易的控制和最小化内存的使用。并且Cooley-Tukey算法还能够使其分成超过两部分（正如我们这里用到的Cooley-Tukey FFT基2算法），而且，其它更为先进的FFT算法或许也可以能够得到应用，包括基于卷积的从根本上不同的方法（例如Bluestein的算法和Rader的算法）。结合以上的思路延伸和方法，就可使阵列大小即使不满足2的幂，FFT也能快速执行。
我希望他们提供大量的基于FFT数据分析是怎样进行的背景，尽管纯Python函数在实际中并不适用。作为数据科学家，我们可以暂且引进能够包含基本应用工具的黑盒子，是由我们有更多算法思想的同事参入所构建，但是我坚定的相信：当我们对所应用的数据的底层算法有更深的理解，我们也将会成为更优秀的从业者。