torch.fft.hfft2

torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

计算 Hermitian 对称 input 信号的二维离散傅里叶变换。等效于 hfftn()，但默认情况下只变换最后两个维度。

input 被解释为时域中的一侧 Hermitian 信号。根据 Hermitian 属性，傅里叶变换将是实值的。

注意

支持 CUDA 上具有 GPU 架构 SM53 或更高版本的 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。使用默认参数，最后一个维度的尺寸应为 (2^n + 1)，因为参数 s 默认值为偶数输出尺寸 = 2 * (last_dim_size - 1)

参数

• input (Tensor) – 输入张量

• s (Tuple[int], optional) – 变换维度的信号大小。如果给出，每个维度 dim[i] 将在计算 Hermitian FFT 之前填充零或修剪为长度 s[i]。如果指定长度 -1，则不会在该维度进行填充。默认值为最后一个维度的偶数输出： s[-1] = 2*(input.size(dim[-1]) - 1).

• dim (Tuple[int], optional) – 要变换的维度。最后一个维度必须是半 Hermitian 压缩维度。默认值：最后两个维度。

• norm (str, optional) –

  归一化模式。对于正向变换 (hfft2())，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 Hermitian 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 (ihfft2()) 将在两次变换之间应用 1/n 的整体归一化。这对于使 ihfft2() 成为精确的反函数是必需的。

  默认值为 "backward"（不归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

从实频率空间信号开始，我们可以生成 Hermitian 对称时域信号： >>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

在没有将输出长度指定给 hfftn() 的情况下，输出将无法正确往返，因为输入在最后一个维度上是奇数长度的

>>> torch.fft.hfft2(t).size()
torch.Size([10, 10])

因此，建议始终传递信号形状 s。

>>> roundtrip = torch.fft.hfft2(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True