什么是FFT?
FFT(Fast Fourier Transformation) 是离散傅氏变换(DFT)的快速算法,即快速傅氏变换。FFT使计算机计算离散傅里叶变换所需要的乘法次数大为减少,特别是被变换的抽样点数N越多,FFT算法计算量的节省就越显著。FFT可以将多项式乘法的复杂度从 O ( n 2 ) O(n^2) O(n2)降到 O ( n l o g n ) O(nlogn) O(nlogn)。
下图是FFT的整体计算流程,FFT变换的复杂度为 O ( n l o g n ) O(nlogn) O(nlogn),FFT域上的pointwise乘法的复杂度为 O ( n ) O(n) O(n),逆FFT变换的复杂度为 O ( n l o g n ) O(nlogn) O(nlogn),总体复杂度为 O ( n l o g n ) O(nlogn) O(nlogn)。
多项式的表示方法
方法1:系数表示
从多项式函数的定义,将所有系数视为系数向量,而由全部系数组成的向量 a a a叫做该多项式的系数表达:
f ( x ) = ∑ i = 0 n − 1 a i x i f(x)=\sum_{i=0}^{n-1}a_ix^i f(x)=i=0∑n−1aixi
a = ( a 0 , a 2 , … , a n − 1 ) a=(a_0 ,a_2, \dots, a_{n-1}) a=(a0,a2,…,an−1)
举个简单的例子: f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2的系数表示为 { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}。反之, { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}的系数编码结果为 f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2。
系数表示特点是对多项式加法友好,时间复杂度是
O
(
n
)
O(n)
O(n)。但是对多项式乘法不友好,采用多项式逐项相乘,时间复杂度仍为
O
(
n
2
)
O(n^2)
O(n2)。
注:系数表示的乘法表示卷积操作。
方法2:点值表示
任意选取 n n n个不同的自变量 x x x带入多项式函数 f ( x ) f(x) f(x)进行求值运算,将得到 n n n个不同的结果。于是,多项式的点值表达就是由这 n n n个数值点组成的集合:
{ ( x 0 , f ( x 0 ) ) , ( x 1 , f ( x 1 ) ) , … , ( x n − 1 , f ( x n − 1 ) ) } \{(x_0, f(x_0)), (x_1, f(x_1)), \dots, (x_{n-1}, f(x_{n-1}))\} {(x0,f(x0)),(x1,f(x1)),…,(xn−1,f(xn−1))}
举个简单的例子: f ( x ) = 5 x 0 + 6 x 1 + 7 x 2 f(x)=5x^0+6x^1+7x^2 f(x)=5x0+6x1+7x2的点值表示为 { ( 0 , f ( 0 ) ) , ( 1 , f ( 1 ) ) , ( 2 , f ( 2 ) ) } \{(0, f(0)), (1, f(1)), (2, f(2))\} {(0,f(0)),(1,f(1)),(2,f(2))}。反之, { 5 , 6 , 7 } \{5, 6, 7\} {5,6,7}的点值编码应该满足 f ( 0 ) = 5 , f ( 1 ) = 6 , f ( 2 ) = 7 f(0)=5, f(1)=6, f(2)=7 f(0)=5,f(1)=6,f(2)=7
点值表示的特点是对多项式乘法友好,时间复杂度是 O ( n ) O(n) O(n)【因为可以做element-wise乘法(EWMM)】,但是多项式加法不友好。
复数
复数的定义:设
a
,
b
a, b
a,b为实数,则
z
=
a
+
b
i
z = a + bi
z=a+bi的数称为复数,其中
a
a
a称为实部,
b
b
b称为虚部。
复数的模为:
∣
z
∣
=
a
2
+
b
2
|z|=\sqrt{a^2+b^2}
∣z∣=a2+b2。一个复数的共轭复数为:
z
‾
=
a
−
b
i
\overline{z}=a-bi
z=a−bi,即改变虚部的符号。
单位复数根
对于任意一个复数
ω
\omega
ω,其
n
n
n次幂的结果为1,就称复数
ω
\omega
ω是
n
n
n次单位复数根,即
ω
n
=
1
\omega^n=1
ωn=1
可以看到, n n n次单位复数根有 n n n个,其几何意义为: n n n个单位复数根均匀地分布在以复平面原点为圆心的单位圆上。
在几何意义的单位圆中,我们将圆周角
2
π
2\pi
2π均分成
n
n
n份,则
2
π
n
\frac{2\pi}{n}
n2π叫做单位根的幅角。
由欧拉公式:
e
i
2
π
n
=
c
o
s
2
π
n
+
i
s
i
n
2
π
n
e^{i\frac{2\pi}{n}} = cos \frac{2\pi}{n} + i sin \frac{2\pi}{n}
ein2π=cosn2π+isinn2π
定义
ω
n
\omega_n
ωn表示一个
n
n
n次单位根:
ω
n
=
e
i
2
π
n
\omega_n = e^{i\frac{2\pi}{n}}
ωn=ein2π
ω
n
\omega_n
ωn也是主
n
n
n次单位根,其余
w
n
1
、
w
n
2
w_{n}^{1}、w_{n}^{2}
wn1、wn2等叫做
n
n
n次单位根的幂次,记为:
ω
n
k
=
e
i
2
k
π
n
,
k
=
0
,
1
,
…
,
n
−
1
\omega_{n}^{k} = e^{i\frac{2k\pi}{n}}, k=0,1,\dots,n-1
ωnk=ein2kπ,k=0,1,…,n−1
于是,很容易知道:
ω
n
0
=
ω
n
n
=
1
,
ω
n
n
2
=
−
1
\omega_n^0=\omega_n^n=1, \omega_n^{\frac{n}{2}}=-1
ωn0=ωnn=1,ωn2n=−1
单位复数根的性质1:消去引理
ω
d
n
d
k
=
e
i
2
d
k
π
d
n
=
e
i
2
k
π
n
=
w
n
k
\omega_{dn}^{dk} = e^{i\frac{2dk\pi}{dn}}=e^{i\frac{2k\pi}{n}}=w_{n}^{k}
ωdndk=eidn2dkπ=ein2kπ=wnk
单位复数根的性质1:折半引理
ω
n
k
+
n
2
=
ω
n
k
ω
n
n
2
=
−
ω
n
k
\omega_{n}^{k+\frac{n}{2}} = \omega_{n}^{k}\omega_{n}^{\frac{n}{2}}=-\omega_{n}^{k}
ωnk+2n=ωnkωn2n=−ωnk
于是也可以得到:
(
ω
n
k
+
n
2
)
2
=
(
−
ω
n
k
)
2
=
(
ω
n
k
)
2
=
ω
n
2
k
=
ω
n
2
k
(\omega_{n}^{k+\frac{n}{2}})^2=(-\omega_{n}^{k})^2=(\omega_{n}^{k})^2=\omega_{n}^{2k}=\omega_{\frac{n}{2}}^{k}
(ωnk+2n)2=(−ωnk)2=(ωnk)2=ωn2k=ω2nk
好处是将
n
n
n降到了原来的一半。
DFT:离散傅立叶变换
假设多项式:
A
(
x
)
=
∑
i
=
0
n
−
1
a
i
x
i
A(x)=\sum_{i=0}^{n-1}a_ix^i
A(x)=i=0∑n−1aixi
把
n
n
n次单位根的幂次
x
=
ω
n
k
x=\omega_n^k
x=ωnk分别代入多项式:
y
k
=
A
(
ω
n
k
)
=
∑
i
=
0
n
−
1
a
i
ω
n
k
i
,
k
=
0
,
1
,
…
,
n
−
1
y_k = A(\omega_n^k)=\sum_{i=0}^{n-1}a_i\omega_n^{ki}, k=0,1,\dots,n-1
yk=A(ωnk)=i=0∑n−1aiωnki,k=0,1,…,n−1
记 y = ( y 0 , y 1 , … , y n − 1 ) y=(y_0, y_1, \dots, y_{n-1}) y=(y0,y1,…,yn−1)是系数向量 a = ( a 0 , a 1 , … , a n − 1 ) a=(a_0, a_1,\dots,a_{n-1}) a=(a0,a1,…,an−1)的离散傅立叶变换,即DFT。
IDFT:离散傅立叶逆变换
a
j
=
1
n
∑
k
=
0
n
−
1
y
k
ω
n
−
k
i
a_j = \frac{1}{n}\sum_{k=0}^{n-1}y_k\omega_n^{-ki}
aj=n1k=0∑n−1ykωn−ki
DFT对应多项式求值
IDFT对应插值,求多项式系数
值得注意的是,DFT的复杂度仍然是 O ( n 2 ) O(n^2) O(n2)。
FFT和蝶形计算
FFT的原理是将多项式分解成奇偶两部分,并用分治的思想依次计算下去。
A
(
x
)
=
a
0
+
a
1
x
1
+
⋯
+
a
n
−
1
x
n
−
1
A(x)=a_0+a_1x^1+\dots+a_{n-1}x^{n-1}
A(x)=a0+a1x1+⋯+an−1xn−1
A 0 ( x ) = a 0 + a 2 x 1 + ⋯ + a n − 2 x n − 2 2 A_0(x)=a_0+a_2x^1+\dots+a_{n-2}x^{\frac{n-2}{2}} A0(x)=a0+a2x1+⋯+an−2x2n−2
A 1 ( x ) = a 1 + a 3 x 1 + ⋯ + a n − 1 x n − 2 2 A_1(x)=a_1+a_3x^1+\dots+a_{n-1}x^{\frac{n-2}{2}} A1(x)=a1+a3x1+⋯+an−1x2n−2
A ( x ) = A 0 ( x 2 ) + x A 1 ( x 2 ) A(x)=A_0(x^2)+xA_1(x^2) A(x)=A0(x2)+xA1(x2)
证明:
A
(
x
)
=
A
0
(
x
2
)
+
x
A
1
(
x
2
)
=
a
0
+
a
2
x
2
+
a
4
x
4
+
⋯
+
a
n
−
2
x
n
−
2
+
a
1
x
1
+
a
3
x
3
+
a
5
x
5
+
⋯
+
a
n
−
1
x
n
−
1
A(x)=A_0(x^2)+xA_1(x^2)=a_0+a_2x^2+a_4x^4+\dots+a_{n-2}x^{n-2}+\\a_1x^1+a_3x^3+a_5x^5+\dots+a_{n-1}x^{n-1}
A(x)=A0(x2)+xA1(x2)=a0+a2x2+a4x4+⋯+an−2xn−2+a1x1+a3x3+a5x5+⋯+an−1xn−1
得证!
将
x
=
ω
n
k
x=\omega_n^k
x=ωnk代入
A
(
x
)
=
A
0
(
x
2
)
+
x
A
1
(
x
2
)
A(x)=A_0(x^2)+xA_1(x^2)
A(x)=A0(x2)+xA1(x2)中,得到:
A
(
ω
n
k
)
=
A
0
(
ω
n
2
k
)
+
ω
n
k
A
1
(
ω
n
2
k
)
=
A
0
(
ω
n
2
k
)
+
ω
n
k
A
1
(
ω
n
2
k
)
A(\omega_n^k)=A_0(\omega_n^{2k})+\omega_n^kA_1(\omega_n^{2k})=A_0(\omega_{\frac{n}{2}}^{k})+\omega_n^kA_1(\omega_{\frac{n}{2}}^{k})
A(ωnk)=A0(ωn2k)+ωnkA1(ωn2k)=A0(ω2nk)+ωnkA1(ω2nk)
将
x
=
ω
n
k
+
n
2
x=\omega_n^{k+\frac{n}{2}}
x=ωnk+2n代入
A
(
x
)
=
A
0
(
x
2
)
+
x
A
1
(
x
2
)
A(x)=A_0(x^2)+xA_1(x^2)
A(x)=A0(x2)+xA1(x2)中,得到:
A
(
ω
n
k
+
n
2
)
=
A
0
(
ω
n
2
k
+
n
)
+
ω
n
k
+
n
2
A
1
(
ω
n
2
k
+
n
)
=
A
0
(
ω
n
2
k
)
−
ω
n
k
A
1
(
w
n
2
k
)
=
A
0
(
ω
n
2
k
)
−
ω
n
k
A
1
(
w
n
2
k
)
A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_n^{2k+n}) + \omega_n^{k+\frac{n}{2}}A_1(\omega_n^{2k+n})=A_0(\omega_n^{2k})-\omega_n^kA_1(w_n^{2k})=A_0(\omega_{\frac{n}{2}}^{k})-\omega_n^kA_1(w_{\frac{n}{2}}^{k})
A(ωnk+2n)=A0(ωn2k+n)+ωnk+2nA1(ωn2k+n)=A0(ωn2k)−ωnkA1(wn2k)=A0(ω2nk)−ωnkA1(w2nk)
我们发现, A ( ω n k ) A(\omega_n^k) A(ωnk)和 A ( ω n k + n 2 ) A(\omega_n^{k+\frac{n}{2}}) A(ωnk+2n)的第一项完全相同,仅第二项为相反数。因此,如果知道 A 0 ( ω n 2 k ) A_0(\omega^k_{\frac{n}{2}}) A0(ω2nk)和 A 1 ( ω n 2 k ) A_1(\omega^k_{\frac{n}{2}}) A1(ω2nk)的值,我们就可以同时知道 A ( ω n k ) A(\omega^k_n) A(ωnk)和 A ( ω n k + n 2 ) A(\omega^{k+{n\over 2}}_n) A(ωnk+2n),所以可以用分治思想计算FFT,原问题的规模缩减了一半。
总结一下,FFT的计算如下:
A
(
ω
n
k
)
=
A
0
(
ω
n
2
k
)
+
ω
n
k
A
1
(
ω
n
2
k
)
A(\omega_n^k)=A_0(\omega_{\frac{n}{2}}^{k})+\omega_n^kA_1(\omega_{\frac{n}{2}}^{k})
A(ωnk)=A0(ω2nk)+ωnkA1(ω2nk)
A ( ω n k + n 2 ) = A 0 ( ω n 2 k ) − ω n k A 1 ( w n 2 k ) A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_{\frac{n}{2}}^{k})-\omega_n^kA_1(w_{\frac{n}{2}}^{k}) A(ωnk+2n)=A0(ω2nk)−ωnkA1(w2nk)
可以通过这样的方式将一个多项式一直分解下去,如下图是对16点输入的分解:
在计算FFT时,需要成对的点做蝶形运算,这里成对的点就是0和8、4和12等,这个分组的过程可以用bit reverse实现。
8点FFT计算图示:
每一对数的蝶形运算:
Bit Reverse确定蝶形运算对
从下面这个8点FFT可以很清楚地看到,FFT蝶形运算时打乱了输入的顺序(倒位序),倒位序是由bit reverse操作得到的。
FFT的输入为倒位序,输出为自然顺序。
Bit reverse的原理其实并不复杂,从上文中16点输入的奇偶分解那个图就很容易看出来。
用PyTorch实现bit reverse
import numpy as np
import torch
def bit_reverse(N, data):
num_bits = int(np.log2(N))
reverse_indices = torch.zeros(N, dtype=int)
for i in range(N):
reverse_indices[i] = int(f"{i:0{num_bits}b}"[::-1], 2)
reverse_indices = reverse_indices.unsqueeze(0)
reversed_data = torch.take_along_dim(data, reverse_indices, dim=-1)
# 对于一个多维的输入数据,只在dim=-1,也就是N维度上进行排列
return reverse_indices, reversed_data
N = 8
# data = torch.tensor([10, 11, 12, 13, 14, 15, 16, 17])
data = torch.tensor([[10, 11, 12, 13, 14, 15, 16, 17],
[20, 21, 22, 23, 24, 25, 26, 27]])
reverse_indices, reversed_data = bit_reverse(N, data)
print('original data:\n', data)
print('reverse indices:', reverse_indices)
print('reversed data:\n', reversed_data)
_, reversed_data_back = bit_reverse(N, reversed_data)
print('reverse back:\n', reversed_data_back)
original data:
tensor([[10, 11, 12, 13, 14, 15, 16, 17],
[20, 21, 22, 23, 24, 25, 26, 27]])
reverse indices: tensor([[0, 4, 2, 6, 1, 5, 3, 7]])
reversed data:
tensor([[10, 14, 12, 16, 11, 15, 13, 17],
[20, 24, 22, 26, 21, 25, 23, 27]])
reverse back:
tensor([[10, 11, 12, 13, 14, 15, 16, 17],
[20, 21, 22, 23, 24, 25, 26, 27]])
RFFT和FFT
RFFT中的R是实数的意思,RFFT是FFT的特殊版本,为实数输入设计。RFFT利用了实数的傅立叶变换为共轭对称这个事实,因此RFFT只需要计算一半的傅立叶变换系数。所以RFFT效率明显高于FFT,并且也只有一半的存储开销。
因此,当我们的输入为实数时(比如图像卷积任务),我们就可以利用实数的傅立叶变换为共轭对称这个特性,用RFFT替换FFT来提高计算效率。
为什么以实数为输入的FFT结果是共轭对称?
共轭对称示意图如下:
可以看到以实数为输入的FFT的显著特征:在FFT域上,X[0]和X[N/2]都是实数(虚部为0),其他部分均为复数。复数部分成共轭对称,即X[i]和X[N-i]是共轭对称的。
我们直接看DFT的计算公式(把上文中的索引i改成了t,方便和复数i区分开):
A
(
ω
n
k
)
=
∑
t
=
0
n
−
1
a
t
ω
n
k
t
A(\omega_n^k)=\sum_{t=0}^{n-1}a_t\omega_n^{kt}
A(ωnk)=t=0∑n−1atωnkt
其中,
ω
n
k
=
e
i
2
k
π
n
\omega_{n}^{k} = e^{i\frac{2k\pi}{n}}
ωnk=ein2kπ
于是,代入得到:
A
(
ω
n
k
)
=
∑
t
=
0
n
−
1
a
t
e
i
2
k
t
π
n
(
1
)
A(\omega_n^k)=\sum_{t=0}^{n-1}a_t e^{i\frac{2kt\pi}{n}}~~~~(1)
A(ωnk)=t=0∑n−1atein2ktπ (1)
同时,我们可以计算出与上面点对称的点:
ω
n
n
−
k
=
e
i
2
(
n
−
k
)
π
n
\omega_n^{n-k}=e^{i\frac{2(n-k)\pi}{n}}
ωnn−k=ein2(n−k)π
同样,代入得到:
A
(
ω
n
n
−
k
)
=
∑
t
=
0
n
−
1
a
t
ω
n
(
n
−
k
)
t
A(\omega_n^{n-k})=\sum_{t=0}^{n-1}a_t \omega_n^{(n-k)t}
A(ωnn−k)=t=0∑n−1atωn(n−k)t
其中,
ω
n
(
n
−
k
)
t
=
ω
n
n
t
−
k
t
=
ω
n
n
t
/
ω
n
k
t
=
ω
n
−
k
t
\omega_n^{(n-k)t}=\omega_n^{nt-kt}=\omega_n^{nt}/\omega_n^{kt}=\omega_n^{-kt}
ωn(n−k)t=ωnnt−kt=ωnnt/ωnkt=ωn−kt
于是,
A
(
ω
n
n
−
k
)
=
∑
t
=
0
n
−
1
a
t
ω
n
−
k
t
=
∑
t
=
0
n
−
1
a
t
e
−
i
2
k
t
π
n
(
2
)
A(\omega_n^{n-k})=\sum_{t=0}^{n-1}a_t \omega_n^{-kt}=\sum_{t=0}^{n-1}a_t e^{-i\frac{2kt\pi}{n}}~~~~(2)
A(ωnn−k)=t=0∑n−1atωn−kt=t=0∑n−1ate−in2ktπ (2)
容易发现,式(1)和(2)只是在
e
e
e的指数上为相反数关系!
根据欧拉公式,对于(1):
e
i
2
k
t
π
n
=
c
o
s
2
k
t
π
n
+
i
s
i
n
2
k
t
π
n
e^{i\frac{2kt\pi}{n}}=cos\frac{2kt\pi}{n}+isin\frac{2kt\pi}{n}
ein2ktπ=cosn2ktπ+isinn2ktπ
对于(2):
e
−
i
2
k
t
π
n
=
c
o
s
2
k
t
π
n
−
i
s
i
n
2
k
t
π
n
e^{-i\frac{2kt\pi}{n}}=cos\frac{2kt\pi}{n}-isin\frac{2kt\pi}{n}
e−in2ktπ=cosn2ktπ−isinn2ktπ
证毕!文章来源:https://www.toymoban.com/news/detail-816835.html
用PyTorch实现FFT和RFFT
import torch
torch.manual_seed(55)
N = 8
x = torch.randint(0, 5, (1, N))
print('x:', x)
x_fft = torch.fft.fft(x) # 中心共轭对称的fft值
print('x_fft:', x_fft)
x_ifft = torch.fft.ifft(x_fft)
print('x_ifft:', x_ifft)
x_rfft = torch.fft.rfft(x) # 只存前半部分的fft值
print('x_rfft:', x_rfft)
x_irfft = torch.fft.irfft(x_rfft)
print('x_irfft:', x_irfft)
x: tensor([[2, 4, 0, 2, 3, 3, 4, 2]])
x_fft: tensor([[20.0000+0.0000j, -0.2929+3.2929j, 1.0000-3.0000j, -1.7071-4.7071j,
-2.0000+0.0000j, -1.7071+4.7071j, 1.0000+3.0000j, -0.2929-3.2929j]])
x_ifft: tensor([[2.+0.j, 4.+0.j, 0.+0.j, 2.+0.j, 3.+0.j, 3.+0.j, 4.+0.j, 2.+0.j]])
x_rfft: tensor([[20.0000+0.0000j, -0.2929+3.2929j, 1.0000-3.0000j, -1.7071-4.7071j,
-2.0000+0.0000j]])
x_irfft: tensor([[2., 4., 0., 2., 3., 3., 4., 2.]])
在这个结果中可以观察到两点为实数、其余点共轭对称、RFFT仅存储FFT前一半结果的性质。
注意:实际上,在PyTorch的RFFT实现中,就是先计算的FFT,然后截掉后半部分对称的结果。而在实际的FFT硬件计算架构中,做了更复杂的优化,并不需要计算完整的N点FFT。文章来源地址https://www.toymoban.com/news/detail-816835.html
一大堆参考文献
- 零知识证明 - 理解FFT的蝶形运算
- 十分简明易懂的FFT(快速傅里叶变换)
- 大数乘法—多项式与快速傅里叶变换
- 快速傅立叶变换(Fast Fourier Transform)
- fft海面模拟(二)
- 彻底搞懂快速傅里叶变换FFT–旋转因子
- 快速傅里叶变换(FFT)之一:Radix-2 DIT FFT
- Rfft 和 FFT 有什么区别?
- 离散傅里叶变换的衍生,负频率、fftshift、实信号、共轭对称
到了这里,关于快速傅立叶变换FFT学习笔记的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!