所以，我对整个“通过使用常用工具，你的问题到底有多复杂？”变得有点臭名昭著。生意，但是很好：

我继续模拟你的卷积的“最后一个”，即我继续通过 100,000 个抽头的过滤器倾倒 5 亿个随机样本来拾取 FFT FIR（这是由 Jason R提到的重叠保存方法进行的卷积）：

因此，此流程图平均产生 42 MS/s，即每秒 420 (500x100,000) 个卷积。完整的程序，包括抽头的初始 FFT、抽头和随机池的计算、库的加载和所有设置，大约需要 12 秒。所以，是的，这个精确的操作 5000 次将超过平均休息时间，并且需要将近 17 小时。

我尝试对抽头向量的初始 FFT 进行计时（FFT 滤波器会自动阻止），但我失败了——它比生成抽头向量本身花费的时间要短得多。所以我制作了一个单独的流程图，只对输入数据进行 100,000 次转换，并在我的速度估计中包含所有数据生成/复制开销。使用该流程图，我的 PC 每秒执行 1900 次 FFT，因此执行一次 FFT 大约需要半毫秒，或者执行 5,000 次大约需要 2.5 秒。

这也意味着，如果您很聪明，并且只使用FFT FIR 块中包含的重叠相加算法，并希望性能与您正在转换的输入向量的长度大致呈线性关系，那么每个卷积将花费大约比前一个长，给我们一个粗略的估计。$\frac{12}5\text{ ms}= 2.4\text{ ms}$$\sum\limits_{n=0}^{5000} n\cdot 2.4\text{ ms}\approx 8\text{ h},\,25\text{ min}$

显然，这为优化留下了一些空间。现在，Operlap-Add 和 Overlap-Save 实际上应该非常好地扩展到多核/分布式解决方案。此外，做一组长 FFT 听起来也像是 GPU 擅长的事情。