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)