FFTW3学习笔记3:FFTW 和 CUFFT 的使用对比
一、流程
1.使用cufftHandle
创建句柄
2.使用cufftPlan1d()
,cufftPlan3d()
,cufftPlan3d()
,cufftPlanMany()
对句柄进行配置,主要是配置句柄对应的信号长度,信号类型,在内存中的存储形式等信息。
cufftPlan1d()
:针对单个 1 维信号
cufftPlan2d()
:针对单个 2 维信号
cufftPlan3d()
:针对单个 3 维信号
cufftPlanMany()
:针对多个信号同时进行 fft
3.使用cufftExec()
函数执行 fft
4.使用cufftDestroy()
函数释放 GPU 资源
二、单个 1 维信号的 fft
假设要执行 fft 的信号data_dev
的长度为N
,并且已经传输到 GPU 显存中,data_dev
数据的类型为cufftComplex
,可以用一下方式产生主机段的data_dev。
cufftComplex *data_Host = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 主机端数据头指针 // 初始数据 for (int i = 0; i < NX; i++) {data_Host[i].x = float((rand() * rand()) % NX) / NX;data_Host[i].y = float((rand() * rand()) % NX) / NX; }
然后用cudaMemcpy()
将主机端的data_host
拷贝到设备端的data_dev
,即可用下述方法执行 fft :
cufftHandle plan; // 创建cuFFT句柄 cufftPlan1d(&plan, N, CUFFT_C2C, BATCH); cufftExecC2C(plan, data_dev, data_dev, CUFFT_FORWARD); // 执行 cuFFT,正变换
cufftPlan1d()
:
- 第一个参数就是要配置的 cuFFT 句柄;
- 第二个参数为要进行 fft 的信号的长度;
- 第三个
CUFFT_C2C
为要执行 fft 的信号输入类型及输出类型都为复数;CUFFT_C2R
表示输入复数,输出实数;CUFFT_R2C
表示输入实数,输出复数;CUFFT_R2R
表示输入实数,输出实数; - 第四个参数
BATCH
表示要执行 fft 的信号的个数,新版的已经使用cufftPlanMany()
来同时完成多个信号的 fft。
cufftExecC2C()
:
- 第一个参数就是配置好的 cuFFT 句柄;
- 第二个参数为输入信号的首地址;
- 第三个参数为输出信号的首地址;
- 第四个参数
CUFFT_FORWARD
表示执行的是 fft 正变换;CUFFT_INVERSE
表示执行 fft 逆变换。
需要注意的是,执行完逆 fft 之后,要对信号中的每个值乘以 1/N
三、代码实现
#include <iostream> #include <time.h> #include "cuda_runtime.h" #include "device_launch_parameters.h" #include <cufft.h>#define NX 3335 // 有效数据个数 #define N 5335 // 补0之后的数据长度 #define BATCH 1 #define BLOCK_SIZE 1024 using std::cout; using std::endl;/** * 功能:判断两个 cufftComplex 数组的是否相等 * 输入:idataA 输入数组A的头指针 * 输入:idataB 输出数组B的头指针 * 输入:size 数组的元素个数 * 返回:true | false */ bool IsEqual(cufftComplex *idataA, cufftComplex *idataB, const int size) {for (int i = 0; i < size; i++){if (abs(idataA[i].x - idataB[i].x) > 0.000001 || abs(idataA[i].y - idataB[i].y) > 0.000001)return false;}return true; }/** * 功能:实现 cufftComplex 数组的尺度缩放,也就是乘以一个数 * 输入:idata 输入数组的头指针 * 输出:odata 输出数组的头指针 * 输入:size 数组的元素个数 * 输入:scale 缩放尺度 */ static __global__ void cufftComplexScale(cufftComplex *idata, cufftComplex *odata, const int size, float scale) {const int threadID = blockIdx.x * blockDim.x + threadIdx.x;if (threadID < size){odata[threadID].x = idata[threadID].x * scale;odata[threadID].y = idata[threadID].y * scale;} }int main() {cufftComplex *data_dev; // 设备端数据头指针cufftComplex *data_Host = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 主机端数据头指针cufftComplex *resultFFT = (cufftComplex*)malloc(N*BATCH * sizeof(cufftComplex)); // 正变换的结果cufftComplex *resultIFFT = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 先正变换后逆变换的结果// 初始数据for (int i = 0; i < NX; i++){data_Host[i].x = float((rand() * rand()) % NX) / NX;data_Host[i].y = float((rand() * rand()) % NX) / NX;}dim3 dimBlock(BLOCK_SIZE); // 线程块dim3 dimGrid((NX + BLOCK_SIZE - 1) / dimBlock.x); // 线程格 cufftHandle plan; // 创建cuFFT句柄cufftPlan1d(&plan, N, CUFFT_C2C, BATCH);// 计时 clock_t start, stop;double duration;start = clock();cudaMalloc((void**)&data_dev, sizeof(cufftComplex)*N*BATCH); // 开辟设备内存cudaMemset(data_dev, 0, sizeof(cufftComplex)*N*BATCH); // 初始为0cudaMemcpy(data_dev, data_Host, NX * sizeof(cufftComplex), cudaMemcpyHostToDevice); // 从主机内存拷贝到设备内存 cufftExecC2C(plan, data_dev, data_dev, CUFFT_FORWARD); // 执行 cuFFT,正变换cudaMemcpy(resultFFT, data_dev, N * sizeof(cufftComplex), cudaMemcpyDeviceToHost); // 从设备内存拷贝到主机内存 cufftExecC2C(plan, data_dev, data_dev, CUFFT_INVERSE); // 执行 cuFFT,逆变换cufftComplexScale << <dimGrid, dimBlock >> > (data_dev, data_dev, N, 1.0f / N); // 乘以系数cudaMemcpy(resultIFFT, data_dev, NX * sizeof(cufftComplex), cudaMemcpyDeviceToHost); // 从设备内存拷贝到主机内存 stop = clock();duration = (double)(stop - start) * 1000 / CLOCKS_PER_SEC;cout << "时间为 " << duration << " ms" << endl;cufftDestroy(plan); // 销毁句柄cudaFree(data_dev); // 释放空间 cout << IsEqual(data_Host, resultIFFT, NX) << endl;return 0; }
四、用fftw和cufft实现傅里叶变换
1.创建C++的文件命名为fftw.cpp,配置fftw环境(环境配置移步:这里),复制以下代码
#include "stdafx.h" #include <stdio.h> #include <stdlib.h> #include <math.h> #include "fftw3.h" #include <windows.h> #include <Eigen/Dense> #include <iostream> #include <opencv2/core/eigen.hpp> #include <opencv2/opencv.hpp> #include <iostream>using namespace cv; using namespace std; using namespace Eigen;#define COLS 3 #define ROWS 3#pragma comment(lib, "libfftw3-3.lib") // double版本 //#pragma comment(lib, "libfftw3f-3.lib")// float版本 // #pragma comment(lib, "libfftw3l-3.lib")// long double版本extern "C" void iteration_mat1();/**********************************主函数****************************************/ int main() {fftw_complex*result_temp_din, *result_temp_out;fftw_plan p;result_temp_din = (fftw_complex *)fftw_malloc(sizeof(fftw_complex)*COLS*ROWS);result_temp_out = (fftw_complex *)fftw_malloc(sizeof(fftw_complex)*COLS*ROWS);cout << "fftw" << endl;for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){result_temp_din[i + j*COLS][0] = (i+1)*(j+1);cout << result_temp_din[i + j*COLS][0] << " ";result_temp_din[i + j*COLS][1] = 0;}}//forward fft p = fftw_plan_dft_2d(ROWS, COLS, result_temp_din, result_temp_out, FFTW_FORWARD, FFTW_ESTIMATE);fftw_execute(p);cout << endl;for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){cout << result_temp_out[i + j*COLS][0] << " ";//实部 cout << result_temp_out[i + j*COLS][1] << endl;//虚部 }}cout << "cuda" << endl;iteration_mat1();system("pause");return 0; }
2.创建cuda文件命名为cufft.cu,配置环境(环境配置移步:这里),复制以下代码
注: cufftPlan2d(&p, ROWS, COLS, CUFFT_C2C); 看清楚rows和cols,千万别出错!
#include "cuda_runtime.h" #include "device_launch_parameters.h" #include <cufft.h> #include <stdio.h> #include <opencv2/opencv.hpp> #include <iostream>using namespace std; using namespace cv;#define COLS 3 #define ROWS 3extern "C" void iteration_mat1() {cufftComplex *result_temp_din = (cufftComplex*)malloc(COLS*ROWS * sizeof(cufftComplex));cufftHandle p;//输入赋值数据for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){result_temp_din[i + j*COLS].x = (i + 1)*(j + 1);cout << result_temp_din[i + j*COLS].x << " ";result_temp_din[i + j*COLS].y = 0;}}cout << endl;size_t pitch;cufftComplex *t_result_temp_din;cudaMallocPitch((void**)&t_result_temp_din, &pitch, COLS * sizeof(cufftComplex), ROWS);cufftComplex *t_result_temp_out;cudaMallocPitch((void**)&t_result_temp_out, &pitch, COLS * sizeof(cufftComplex), ROWS);//将值辅到Device//cudaMemcpy2D(t_result_temp_din, pitch, result_temp_din, COLS * sizeof(cufftComplex), COLS * sizeof(cufftComplex), ROWS, cudaMemcpyHostToDevice);cudaMemcpy(t_result_temp_din,result_temp_din, ROWS * sizeof(cufftComplex)* COLS, cudaMemcpyHostToDevice);//forward fft 制定变换规则cufftPlan2d(&p, ROWS, COLS, CUFFT_C2C);//执行变换cufftExecC2C(p, (cufftComplex*)t_result_temp_din, (cufftComplex*)t_result_temp_out, CUFFT_FORWARD);//将值辅到hostcudaMemcpy(result_temp_din, t_result_temp_out, ROWS * sizeof(cufftComplex)* COLS, cudaMemcpyDeviceToHost);//cudaMemcpy2D(result_temp_din, pitch, t_result_temp_out, COLS * sizeof(cufftComplex), sizeof(cufftComplex)* ROWS, COLS, cudaMemcpyDeviceToHost);//提取实部和虚部for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){cout << result_temp_din[i + j*COLS].x << " ";//实部 cout << result_temp_din[i + j*COLS].y << endl;//虚部 }}}
3.执行结果:
转载于:https://www.cnblogs.com/aiguona/p/9485606.html
FFTW3学习笔记3:FFTW 和 CUFFT 的使用对比相关推荐
- FFTW 和 CUFFT 的使用对比
一.流程 1.使用cufftHandle创建句柄 2.使用cufftPlan1d(),cufftPlan3d(),cufftPlan3d(),cufftPlanMany()对句柄进行配置,主要是配置句 ...
- 华为鸿蒙系统学习笔记9-华为鸿蒙OS与LiteOS对比
8月9日,在华为开发者大会上,华为消费者业务CEO余承东正式发布了鸿蒙OS(操作系统),在业界算是引起了不小轰动. 之前华为曾透露鸿蒙OS具有低延时.可用于路由器.自动驾驶等特性,明显具有嵌入式RTO ...
- Java NIO 学习笔记(三)----Selector
目录: Java NIO 学习笔记(一)----概述,Channel/Buffer Java NIO 学习笔记(二)----聚集和分散,通道到通道 Java NIO 学习笔记(三)----Select ...
- 某人写的openCV学习笔记
原文地址:某人写的openCV学习笔记作者:拔剑 http://blog.csdn.net/thefutureisour 我的OpenCV学习笔记(25):c++版本的高斯混合模型的源代码完全注释 之 ...
- 某人写的openCV学习笔记_拔剑-浆糊的传说_新浪博客
http://blog.csdn.net/thefutureisour 我的OpenCV学习笔记(25):c++版本的高斯混合模型的源代码完全注释 之前看到过C版本的,感觉写的很长,没有仔细看,但是C ...
- ASP.NET Core 3.x 学习笔记(7)——Blazor
ASP.NET Core 3.x 学习笔记(7)--Blazor ASP.NET Core 3.x 学习笔记(7)--Blazor 编程模式对比 Blazor 客户端宿主模型 Mono 服务器端宿主模 ...
- Django学习笔记(五)
Django学习笔记(五) MVC和MTV对比 传统的MVC(Model-View-Controller) M 模型层,主要是对数据库层的封装 V 视图层,向用户展示结果 C 控制层,用于请求,获取数 ...
- Java NIO 学习笔记(五)----路径、文件和管道 Path/Files/Pipe
目录: Java NIO 学习笔记(一)----概述,Channel/Buffer Java NIO 学习笔记(二)----聚集和分散,通道到通道 Java NIO 学习笔记(三)----Select ...
- Cmake-Cookbook学习笔记
Cmake学习笔记 Cmake-Cookbook 1.cmake中相关路径 2.cmake常用变量.函数.语法 2.1 add_custom_command.add_custom_target 2.2 ...
最新文章
- tcp-ip协议详解二知识进阶
- datatables屏蔽警告弹窗
- 看AppStore评价
- webpack打包后引用cdn的js_利用CDN加速react webpack打包后的文件详解
- OpenDiscussion_DataDrivenDesign
- linux mint 18.3浏览器,在Linux Mint 19/Ubuntu 18.04中安装Tor Browser浏览器的方法
- 88.搭建git服务器 安装与使用gitlab gitlab备份与恢复
- sqlserver提权失败_利用mssql模拟登录提权
- Flutter高级第1篇:ListView嵌套GridView、不同终端屏幕适配方案
- linux怎么重载mysql配置命令_在Linux系统中启动/停止/重新启动/启用/重新加载MySQL和MariaDB服务...
- java动画帧储存路径_Java实现帧动画的实例代码
- 豆瓣电影爬虫Ⅱ 豆瓣电影数据的整理
- Java代码混淆技术选型
- 第3-2课:用三个水桶等分 8 升水的问题
- 相见恨晚的编程学习词典!谁还不是南极滑冰的那个崽儿?!
- 魔兽RPG仿魔兽世界:基尔加丹的末日V1.0
- 【网络安全】网络安全的重要性你知道吗?
- 安徽省计算机二级各部分分值分布,计算机二级各部分分值
- 口碑订购会员营销网页无法打开,提示网页可能暂时无法连接
- cesium鼠标移入移出实体显示提示框
热门文章
- 面试求职经验交流 (renewing...)
- 新手小白,做短视频自媒体如何赚钱?这几点你需要知道
- 公众号1周年 广交天下朋友
- 【报错】 ids for this class must be manually assigned before calling save()
- koa2 mysql_Koa2实现基本的登录注册
- 恒玄BES调试笔记-BES2500如何修改蓝牙发射功率
- js对数据进行模糊搜索
- 【java项目学习笔记】基于servlet+jsp+jdbc的注册登录系统
- HC32_HC32F072FAUA_I2C的使用
- 【新书速递】金融商业算法建模手册