前段时间开源了一个关于音频特征提取和分析的小项目，自己是 AI 音频领域方向的，但受限于对音频特征的理解，做研究时总感觉缺乏“底料”，所以当做是学习练手做了这个小东西。

虽然是学习练手的小项目，但也信心满满，因为核心算法大部分都是 C 实现和 Python 包装的，想着怎么着也比纯 Python 实现的库快些，然后和其它相关 Python 库也做了简单的性能比对，结果确实是比较快，但没想到后面翻车了！！！

两周前收到用户提的一个 issue “Speed is slow, am I miss something? ”，定眼一看大惊失色，结果上我的库是最慢的，赶紧自己电脑上跑下，没想到比用户给出的结果还要难看，这车翻得有些大了！！！ 这是相关 issue 地址: https://github.com/libAudioFlux/audioFlux/issues/18#issuecomment-1498371872

后面仔细分析发现，我当时测试数据样本尺寸太小，样本尺寸大时就慢了，性能主要卡在矩阵相乘上，后续优化后相比其它库都快不少，但相比 PyTorch 官方的 torchaudio 库还是存在一定的性能差距。

想着认命吧，谁叫人家是 torchaudio 呢，最后经过一周的熬战，尝试 OpenBLAS ，Eigen ，MKL ，FFTW ，SIMD ，并行计算等等各种技术优化点后，详细测试了不同样本尺寸大小数据，在不同 CPU 和不同系统平台的性能对比如下图：

图依次为 Linux/AMD ，macOS/Intel 下的评测结果。
这是详细的测评报告: https://github.com/libAudioFlux/audioFlux/tree/master/benchmark

综合来看，

在 linux/amd 处理器上，audioflux 比 torchaudio 稍快，但在 linux/intel 上稍慢。
在 macOS 系统上，对于大尺寸样本数据，audioflux 比 torchaudio 快，intel 比 m1 明显； 对于小尺寸样本数据，torchaudio 比 audioflux 更快。
经过各种艰辛的优化，比之前版本还是其它相关库都快不少，性能优化上我该做的、能做的都做了，但相比 torchaudio 还是不能完胜，希望大家点赞关注赐予我力量，期待后续性能上完胜 torchaudio ！！！

感兴趣的请给个 Star
项目地址: https://github.com/libAudioFlux/audioFlux