torch.fft.ifft2

torch.fft.ifft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

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

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，它仅支持每个变换维度上 2 的幂的信号长度。

参数

• input (Tensor) – 输入张量

• s (Tuple[int], 可选) – 变换维度中的信号大小。如果给出，则每个维度 dim[i] 在计算 IFFT 之前将被零填充或修剪到长度 s[i]。如果指定长度 -1，则该维度不进行填充。默认值：s = [input.size(d) for d in dim]

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

• norm (str, 可选) –

  归一化模式。对于反变换 (ifft2())，这些对应于

  • "forward" - 无归一化

  • "backward" - 按 1/n 归一化

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

  其中 n = prod(s) 是逻辑 IFFT 大小。使用相同的归一化模式调用前向变换 (fft2()) 将在两个变换之间应用 1/n 的整体归一化。这需要使 ifft2() 成为精确的反变换。

  默认值为 "backward"（按 1/n 归一化）。

关键字参数

out (Tensor, 可选) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> ifft2 = torch.fft.ifft2(x)

离散傅里叶变换是可分离的，因此此处的 ifft2() 等效于两个一维 ifft() 调用

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifft2, two_iffts, check_stride=False)