不错的DSP甜点：重采样，FFT卷积。所有这些都有Pythorch，可微的和CUDA支持。
julius的Python项目详细描述
Julius，基于快速Pythorch的音频和1D信号DSP
Julius包含不同的数字信号处理算法 使用Pythorch，因此它们是可微的，并且在CUDA上可用。 注意，这里实现的所有模块都可以与TorchScript一起使用。在
目前，我已经实施了：
- julius.resample：快速sinc重采样。在
- julius.fftconv：基于FFT的卷积。在
- julius.lowpass:FIR低通滤波器组。在
- julius.bands：mel尺度频带上波形信号的分解。在
此外，您还可以在以下位置找到有用的实用程序：
- julius.core:DSP相关函数。在
- julius.utils：通用实用程序。在
安装
julius需要Python3.6。要安装：
pip3 install -U julius
使用
参见Julius documentation了解朱利叶斯的用法。以后你会发现一些例子 快速入门：
^{pr2}$算法
重采样
这是juliuso.Smith的sinc resample algorithm的实现。 它与resampy中使用的算法相同，但要在GPU-It上高效运行 仅限于采样率的微小变化。如果新老样本率 除以他们的GCD后就变小了。例如从2000到3000的采样率（去除GCD后为2，3） 会非常快，而从20001到30001则不会。 重采样比你的CPU重采样要快得多 （当然除了奇怪的情况，比如从20001到30001的抽样率）。在
FFTConv1d
用非常大的核（>；=128）和1的步长计算卷积可以快得多
使用FFT。这实现了与torch.nn.Conv1d和torch.nn.functional.conv1d相同的API
但是有了FFT后端。不支持膨胀和组。
即使对于相对较小的张量（几十个通道，内核大小），FFTConv在CPU上也会更快
共128页）。在CUDA上，由于较高的并行性，正则卷积在许多情况下可以更快，
但是对于大于128的内核大小，对于大量通道或批处理大小，FFTConv1d
最终会更快（基本上当你不再有闲置的核心可以隐藏
操作的真正复杂性）。在
低通
经典有限脉冲响应加窗sinc低通滤波器。它将自动使用FFT卷积 如果过滤器尺寸足够大。在
波段
在波形域的频带上信号的分解。这对 实例来执行参数EQ（参见上面的Usage）。在
基准
您可以在上找到速度测试（以及与参考实现的比较）
benchmark。CPU基准测试运行在MacBookPro2020上，频率为2GHz
四核intel CPU。GPU基准测试运行在Google Colab Pro上（例如V100或P100 NVidia GPU）。
我们还比较了我们的实现与参考实现的有效性，比如resampy
或torch.nn.Conv1d。在
运行测试
那么，克隆这个存储库
pip3 install .[dev]' python3 tests.py
要运行基准：
pip3 install .[dev]'
python3 -m bench.gen
许可证
julius是根据麻省理工学院的许可证发布的。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
