为何Numpy卷积运算在核大小仅差1时执行时间差异巨大？

使用numpy的卷积函数时，发现大小为10000及以下的卷积核，其卷积运算速度远快于大小为10001及以上的卷积核。仅增大1的核大小为何会导致如此大的执行时间差异？

测试代码 #

import numpy as np
from time import perf_counter as pfc

data = np.random.normal(size=50000)
kernel_low = np.random.normal(size=10000)
kernel_high = np.random.normal(size=10001)

t_start = pfc()
np.convolve(data, kernel_low, 'full')
t_stop = pfc()
print('numpy convolution with kernel = 10000, time=', t_stop - t_start)

t_start = pfc()
np.convolve(data, kernel_high, 'full')
t_stop = pfc()
print('numpy convolution with kernel = 10001, time=', t_stop - t_start)

输出结果 #

numpy convolution with kernel = 10000, time= 0.0615867999731563
numpy convolution with kernel = 10001, time= 1.6918594000162557

环境信息 #

• Python版本：3.11.3
• numpy版本：1.26.2（也曾尝试旧版本1.24.3）
• 操作系统：Windows 10 Pro（版本21H2，OS内部版本19044.3086）

核心原因：numpy自动切换了卷积实现算法 #

numpy的np.convolve函数会根据输入数据和卷积核的大小动态选择最优实现，这就是性能骤降的关键：

• 当核大小≤10000时：numpy采用FFT（快速傅里叶变换）卷积，时间复杂度为O((N+M)log(N+M))（N为数据长度，M为核大小）。FFT通过将时域卷积转换为频域乘积，大幅降低计算量，因此速度极快。
• 当核大小≥10001时：numpy切换为直接卷积，时间复杂度为O(N*M)。你的数据长度是50000，核大小10001刚好超过数据长度的1/5（50000/5=10000），此时直接卷积的计算量陡增（约50000*10001=5e8次运算），远高于FFT的约9.6e5次运算，导致执行时间大幅上升。

这个临界阈值并非固定值，而是numpy根据数据与核的大小比例动态判断的——当核大小超过数据长度的某个比例时，numpy认为直接卷积的整体开销（无FFT变换/逆变换的额外成本）更低，因此触发算法切换。你的测试场景刚好卡在这个临界比例上，所以仅增大1的核大小就带来了数量级的性能差异。

内容的提问来源于stack exchange，提问作者Alexander