torch.fft.fftn¶
- torch.fft.fftn(input, s=None, dim=None, norm=None, *, out=None) Tensor ¶
计算
input
的 N 维离散傅里叶变换。注意
任何实信号在傅里叶域的表示都满足 Hermitian 属性:
X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])
。此函数始终返回所有正负频率项,即使对于实数输入,其中一半值是冗余的。rfftn()
返回更紧凑的单边表示,其中仅返回最后一维的正频率项。注意
在 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half 和 torch.chalf。但它仅支持所有变换维度中信号长度为 2 的幂次方。
- 参数
input (Tensor) – 输入张量
s (Tuple[int], 可选) – 变换维度中的信号尺寸。如果指定,每个维度
dim[i]
在计算 FFT 之前将进行零填充或截取到长度s[i]
。如果指定的长度为-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:所有维度;如果指定了
s
,则为最后len(s)
个维度。norm (str, 可选) –
归一化模式。对于正向变换 (
fftn()
),它们对应于"forward"
- 按1/n
归一化"backward"
- 不进行归一化"ortho"
- 按1/sqrt(n)
归一化 (使 FFT 正交)
其中
n = prod(s)
是逻辑 FFT 尺寸。使用相同的归一化模式调用反向变换 (ifftn()
) 将在两次变换之间应用总计1/n
的归一化。这是使ifftn()
成为精确逆变换所必需的。默认值为
"backward"
(不进行归一化)。
- 关键字参数
out (Tensor, 可选) – 输出张量。
示例
>>> x = torch.rand(10, 10, dtype=torch.complex64) >>> fftn = torch.fft.fftn(x)
离散傅里叶变换是可分离的,因此这里的
fftn()
等价于两次一维fft()
调用>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1) >>> torch.testing.assert_close(fftn, two_ffts, check_stride=False)