前段时间开源了一个关于音频特征提取和剖析的小项目，自己是 AI 音频领域方向的，但受限于对音频特征的了解，做研究时总感觉缺少“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，由于核心算法大部分都是 C 完成和 Python 包装的，想着怎么着也比纯 Python 完成的库快些，然后和其它相关 Python 库也做了简略的性能比对，成果确实是比较快，但没想到后边翻车了！！！
两周前收到用户提的一个 issue “Speed is slow, am I miss something? ”，定眼一看心惊胆战，成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成果还要难看，这车翻得有些大了！！！ 这是相关 issue 地址:github.com/libAudioFlu…
后边仔细剖析发现，我当时测试数据样本尺度太小，样本尺度大时就慢了，性能首要卡在矩阵相乘上，后续优化后相比其它库都快不少，但相比 PyTorch 官方的 torchaudio 库仍是存在一定的性能差距。
想着认命吧，谁叫人家是 torchaudio 呢，最终通过一周的熬战，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度大小数据，在不同 CPU 和不同体系渠道的性能对比如下图：
图依次为 Linux/AMD ，macOS/Intel 下的评测成果。
这是详细的测评报告:github.com/libAudioFlu…
归纳来看，
- 在 linux/amd 处理器上，audioflux 比 torchaudio 稍快，但在 linux/intel 上稍慢。
- 在 macOS 体系上，对于大尺度样本数据，audioflux 比 torchaudio 快，intel 比 m1 显着； 对于小尺度样本数据，torchaudio 比 audioflux 更快。
通过各种艰苦的优化，比之前版别仍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 仍是不能完胜，希望大家点赞重视赐予我力量，期待后续性能上完胜 torchaudio ！！！
感兴趣的请给个 Star
项目地址:github.com/libAudioFlu…
