【ELF2学习板】交叉编译FFTW

目录

引言

FFTW简介

基本信息

功能特点

交叉编译的过程

测试

测试程序

测试结果

结语

---

引言

FFT（快速傅里叶变换）在众多领域具有不可替代的重要意义，它能将时域信号转换为频域信号，极大提升了离散傅里叶变换（DFT）的计算效率，让信号分析、数据处理和系统建模变得更加高效、可行。而FFT性能测试的意义也十分显著，它能够量化评估FFT算法或相关软件库（如FFTW）在不同计算场景下的运算速度、精度以及资源利用效率等指标，帮助开发者了解其性能瓶颈，以便针对性地进行优化和改进。同时，也为在实际应用中选择合适的FFT实现方案提供了客观依据，确保在信号处理、科学计算等领域中能高效、准确地完成傅里叶变换任务，充分发挥FFT的价值。今天就在ELF2学习板上做一下FFTW的测试。

FFTW简介

FFTW（Fastest Fourier Transform in the West）是一个用于计算离散傅里叶变换（DFT）的开源软件库，在科学计算、信号处理、图像处理等众多领域应用广泛。以下从多个方面为你详细介绍 FFTW：

基本信息

• 开源性质：FFTW 是开源的，其源代码遵循 GPL（GNU General Public License）许可协议，这意味着开发者可以自由地使用、修改和分发该库。
• 多语言支持：它不仅提供了 C 语言接口，还有 C++、Fortran 等语言的接口，方便不同编程语言的开发者使用。
• 平台兼容性：FFTW 具有良好的跨平台性，可在多种操作系统（如 Linux、Windows、macOS 等）和硬件架构（如 x86、ARM 等）上运行。

功能特点

• 高性能：这是 FFTW 最显著的特点。它采用了自适应算法，能够根据输入数据的规模、数据类型以及目标平台的特性（如 CPU 架构、缓存大小等）自动选择最优的计算方案，从而在不同的硬件环境下都能实现高效的 DFT 计算。
• 支持多种变换类型：FFTW 支持多种类型的离散傅里叶变换，包括一维、二维和多维的 DFT，以及实数据和复数据的正变换和逆变换。此外，还支持离散余弦变换（DCT）和离散正弦变换（DST）等相关变换。
• 精度可选：提供单精度（float）和双精度（double）两种数据类型的支持，开发者可以根据实际需求选择合适的精度，在精度和计算效率之间进行权衡。
• 多线程并行计算：支持多线程并行计算，通过 OpenMP 等多线程编程模型，能够充分利用多核处理器的性能，进一步提高计算速度。

交叉编译的过程

FFTW 有三个版本的数据类型:double、float 和 long double，.默认FFTW编译生成double类型，加入参数“--enable-single”或“--enable-float”编译单精度(float)，加入参数“--enable-long-double”支持长双进度类型。在ARM平台上可增加“--enable-neon”，使能ARM NEON流媒体加速核心，但是这个选项不适用AARCH64平台。

使用下面的命令进行环境配置：

 ./configure  --prefix=/mnt/d/test/install --host=arm-linux --enable-float CC=aarch64-linux-gnu-gcc

 然后进行make和make install即可。成功后在lib目录下可以看到静态库文件。

测试

测试程序

以下测试程序采用豆包生成。它会调用 FFTW 库来实现 2048 点单精度的 FFT（快速傅里叶变换）和 IFFT（逆快速傅里叶变换），同时精确测量所需时间。

#include <stdio.h>
#include <stdlib.h>
#include <fftw3.h>
#include <time.h>// 计算时间差（单位：微秒）
long long get_time_diff_us(struct timespec start, struct timespec end) {return (end.tv_sec - start.tv_sec) * 1000000LL + (end.tv_nsec - start.tv_nsec) / 1000;
}int main() {const int N = 2048;fftwf_complex *in, *out, *back;fftwf_plan p, q;struct timespec start, end;long long fft_time_us, ifft_time_us;// 分配内存in = (fftwf_complex*) fftwf_malloc(sizeof(fftwf_complex) * N);out = (fftwf_complex*) fftwf_malloc(sizeof(fftwf_complex) * N);back = (fftwf_complex*) fftwf_malloc(sizeof(fftwf_complex) * N);// 初始化输入数据for (int i = 0; i < N; i++) {in[i][0] = (float)i; // 实部in[i][1] = 0.0f;     // 虚部}// 创建FFT计划p = fftwf_plan_dft_1d(N, in, out, FFTW_FORWARD, FFTW_ESTIMATE);// 记录FFT开始时间clock_gettime(CLOCK_MONOTONIC, &start);// 执行FFTfftwf_execute(p);// 记录FFT结束时间clock_gettime(CLOCK_MONOTONIC, &end);// 计算FFT时间fft_time_us = get_time_diff_us(start, end);// 创建IFFT计划q = fftwf_plan_dft_1d(N, out, back, FFTW_BACKWARD, FFTW_ESTIMATE);// 记录IFFT开始时间clock_gettime(CLOCK_MONOTONIC, &start);// 执行IFFTfftwf_execute(q);// 记录IFFT结束时间clock_gettime(CLOCK_MONOTONIC, &end);// 计算IFFT时间ifft_time_us = get_time_diff_us(start, end);// 输出结果printf("2048点单精度FFT所需时间: %lld 微秒\n", fft_time_us);printf("2048点单精度IFFT所需时间: %lld 微秒\n", ifft_time_us);// 释放计划和内存fftwf_destroy_plan(p);fftwf_destroy_plan(q);fftwf_free(in);fftwf_free(out);fftwf_free(back);return 0;
}    

代码说明：

1. 头文件包含：引入了必要的头文件，像 stdio.h 用于输入输出，fftw3.h 用于 FFTW 库的功能，time.h 用于时间测量。
2. 时间计算函数：get_time_diff_us 函数用来计算两个 timespec 结构体之间的时间差，单位为微秒。
3. 内存分配：借助 fftwf_malloc 函数为输入、输出和逆变换结果分配内存。
4. 数据初始化：把输入数据的实部初始化为从 0 到 2047 的整数，虚部初始化为 0。
5. FFT 计划创建与执行：使用 fftwf_plan_dft_1d 创建 FFT 和 IFFT 计划，运用 fftwf_execute 执行变换。
6. 时间测量：在执行 FFT 和 IFFT 前后分别调用 clock_gettime 记录时间，然后计算时间差。
7. 结果输出：输出 FFT 和 IFFT 所需的时间。
8. 资源释放：使用 fftwf_destroy_plan 销毁计划，用 fftwf_free 释放内存。

为了提高速度，我把程序中的FFTW_ESTIMATE改为FFTW_MEASURE。 

测试结果

采用如下命令编译测试程序：

aarch64-linux-gnu-gcc -o ffwtest ffwtest.c -Iinclude -Llib -lfftw3f -lm

然后将程序拷贝到开发板上进行运行。

可以看到完成一次fft大概需要110us。

结语

通过本次对 FFTW 的测试探索，我们深入了解了其在不同场景下的性能表现与优势，无论是在信号处理、科学计算，还是工程应用领域，FFTW 都展现出强大的计算能力与高效性。当然，测试过程中或许还存在一些尚未触及的细节，性能优化的空间也依然存在。希望这篇博客能为大家在使用 FFTW 时提供一些参考和启发。如果你在实践中遇到任何问题，或是有新的测试发现与优化思路，欢迎在评论区分享交流。后续我也会继续探索更多关于 FFT 的使用技巧与实践经验，期待与大家共同进步！