torch.fft.fft2

torch.fft.fft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

计算 input 的二维离散傅里叶变换。等效于 fftn()，但默认情况下仅对最后两个维度进行 FFT。

注意

任何真实信号的频域表示都满足厄米特性质：X[i, j] = conj(X[-i, -j])。此函数始终返回所有正频率和负频率项，即使对于真实输入，其中一半值是冗余的。 rfft2() 返回更紧凑的单边表示，其中仅返回最后一个维度的正频率。

注意

在具有 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half 和 torch.chalf。但是它只支持每个变换维度的 2 的幂信号长度。

参数

• input (Tensor) – 输入张量

• s (Tuple[int], optional) – 变换维度上的信号大小。如果给出，则每个维度 dim[i] 在计算 FFT 之前将被零填充或修剪为长度 s[i]。如果指定长度 -1，则该维度不会进行填充。默认值：s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要变换的维度。默认值：最后两个维度。

• norm (str, optional) –

  归一化模式。对于正向变换 (fft2())，这些对应于

  • "forward" - 按 1/n 归一化

  • "backward" - 不归一化

  • "ortho" - 按 1/sqrt(n) 归一化（使 FFT 正交）

  其中 n = prod(s) 是逻辑 FFT 大小。使用相同的归一化模式调用反向变换 (ifft2()) 将在两次变换之间应用 1/n 的整体归一化。这是使 ifft2() 成为精确逆函数所必需的。

  默认值为 "backward"（不归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fft2 = torch.fft.fft2(x)

离散傅里叶变换是可分离的，因此这里 fft2() 等效于两个一维 fft() 调用

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)