一、流程

1.使用cufftHandle創建句柄

2.使用cufftPlan1d(),cufftPlan3d(),cufftPlan3d(),cufftPlanMany()對句柄進行配置，主要是配置句柄對應的信號長度，信號類型，在內存中的存儲形式等信息。?

cufftPlan1d()：針對單個 1 維信號

cufftPlan2d()：針對單個 2 維信號

cufftPlan3d()：針對單個 3 維信號

cufftPlanMany()：針對多個信號同時進行 fft

3.使用cufftExec()函數執行 fft

4.使用cufftDestroy()函數釋放 GPU 資源

?

二、單個 1 維信號的 fft

假設要執行 fft 的信號data_dev的長度為N，并且已經傳輸到 GPU 顯存中，data_dev數據的類型為cufftComplex，可以用一下方式產生主機段的data_dev。

cufftComplex *data_Host = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 主機端數據頭指針 // 初始數據 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()將主機端的data_host拷貝到設備端的data_dev，即可用下述方法執行 fft ：

cufftHandle plan; // 創建cuFFT句柄 cufftPlan1d(&plan, N, CUFFT_C2C, BATCH); cufftExecC2C(plan, data_dev, data_dev, CUFFT_FORWARD); // 執行 cuFFT，正變換

cufftPlan1d()：

• 第一個參數就是要配置的 cuFFT 句柄；
• 第二個參數為要進行 fft 的信號的長度；
• 第三個CUFFT_C2C為要執行 fft 的信號輸入類型及輸出類型都為復數；CUFFT_C2R表示輸入復數，輸出實數；CUFFT_R2C表示輸入實數，輸出復數；CUFFT_R2R表示輸入實數，輸出實數；
• 第四個參數BATCH表示要執行 fft 的信號的個數，新版的已經使用cufftPlanMany()來同時完成多個信號的 fft。

cufftExecC2C()：

• 第一個參數就是配置好的 cuFFT 句柄；
• 第二個參數為輸入信號的首地址；
• 第三個參數為輸出信號的首地址；
• 第四個參數CUFFT_FORWARD表示執行的是 fft 正變換；CUFFT_INVERSE表示執行 fft 逆變換。

需要注意的是，執行完逆 fft 之后，要對信號中的每個值乘以?1/N

三、代碼實現

#include <iostream> #include <time.h> #include "cuda_runtime.h" #include "device_launch_parameters.h" #include <cufft.h>#define NX 3335 // 有效數據個數 #define N 5335 // 補0之后的數據長度 #define BATCH 1 #define BLOCK_SIZE 1024 using std::cout; using std::endl;/** * 功能：判斷兩個 cufftComplex 數組的是否相等 * 輸入：idataA 輸入數組A的頭指針 * 輸入：idataB 輸出數組B的頭指針 * 輸入：size 數組的元素個數 * 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：實現 cufftComplex 數組的尺度縮放，也就是乘以一個數 * 輸入：idata 輸入數組的頭指針 * 輸出：odata 輸出數組的頭指針 * 輸入：size 數組的元素個數 * 輸入：scale 縮放尺度 */ 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; // 設備端數據頭指針cufftComplex *data_Host = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 主機端數據頭指針cufftComplex *resultFFT = (cufftComplex*)malloc(N*BATCH * sizeof(cufftComplex)); // 正變換的結果cufftComplex *resultIFFT = (cufftComplex*)malloc(NX*BATCH * sizeof(cufftComplex)); // 先正變換后逆變換的結果// 初始數據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); // 線程塊dim3 dimGrid((NX + BLOCK_SIZE - 1) / dimBlock.x); // 線程格cufftHandle plan; // 創建cuFFT句柄cufftPlan1d(&plan, N, CUFFT_C2C, BATCH);// 計時clock_t start, stop;double duration;start = clock();cudaMalloc((void**)&data_dev, sizeof(cufftComplex)*N*BATCH); // 開辟設備內存cudaMemset(data_dev, 0, sizeof(cufftComplex)*N*BATCH); // 初始為0cudaMemcpy(data_dev, data_Host, NX * sizeof(cufftComplex), cudaMemcpyHostToDevice); // 從主機內存拷貝到設備內存cufftExecC2C(plan, data_dev, data_dev, CUFFT_FORWARD); // 執行 cuFFT，正變換cudaMemcpy(resultFFT, data_dev, N * sizeof(cufftComplex), cudaMemcpyDeviceToHost); // 從設備內存拷貝到主機內存cufftExecC2C(plan, data_dev, data_dev, CUFFT_INVERSE); // 執行 cuFFT，逆變換cufftComplexScale << <dimGrid, dimBlock >> > (data_dev, data_dev, N, 1.0f / N); // 乘以系數cudaMemcpy(resultIFFT, data_dev, NX * sizeof(cufftComplex), cudaMemcpyDeviceToHost); // 從設備內存拷貝到主機內存stop = clock();duration = (double)(stop - start) * 1000 / CLOCKS_PER_SEC;cout << "時間為 " << duration << " ms" << endl;cufftDestroy(plan); // 銷毀句柄cudaFree(data_dev); // 釋放空間cout << IsEqual(data_Host, resultIFFT, NX) << endl;return 0; }

?

四、用fftw和cufft實現傅里葉變換

1.創建C++的文件命名為fftw.cpp，配置fftw環境（環境配置移步：這里），復制以下代碼

#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;//輸入賦值數據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);//將值輔到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 制定變換規則cufftPlan2d(&p, ROWS, COLS, CUFFT_C2C);//執行變換cufftExecC2C(p, (cufftComplex*)t_result_temp_din, (cufftComplex*)t_result_temp_out, CUFFT_FORWARD);//將值輔到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);//提取實部和虛部for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){cout << result_temp_din[i + j*COLS].x << " ";//實部 cout << result_temp_din[i + j*COLS].y << endl;//虛部 }}}

?

?

2.創建cuda文件命名為cufft.cu，配置環境（環境配置移步：這里），復制以下代碼

注：?cufftPlan2d(&p, ROWS, COLS, CUFFT_C2C); 看清楚rows和cols，千萬別出錯！

#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;//輸入賦值數據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);//將值輔到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 制定變換規則cufftPlan2d(&p, ROWS, COLS, CUFFT_C2C);//執行變換cufftExecC2C(p, (cufftComplex*)t_result_temp_din, (cufftComplex*)t_result_temp_out, CUFFT_FORWARD);//將值輔到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);//提取實部和虛部for (size_t j = 0; j < ROWS; j++){for (size_t i = 0; i < COLS; i++){cout << result_temp_din[i + j*COLS].x << " ";//實部 cout << result_temp_din[i + j*COLS].y << endl;//虛部 }}}

3.執行結果：

轉載：https://www.cnblogs.com/aiguona/p/9485606.html

總結

以上是生活随笔為你收集整理的FFTW 和 CUFFT 的使用对比的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。