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
任何实信号的傅里叶域表示满足厄米特性:
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,其中一半的值是冗余的。rfftn()
返回更紧凑的单边表示,其中仅返回最后一维的正频率。注意
支持在具有 GPU 架构 SM53 或更高版本的 CUDA 上使用 torch.half 和 torch.chalf。但是它只支持每个转换维度的 2 的幂信号长度。
- 参数
input (Tensor) – 输入张量
s (Tuple[int], 可选) – 转换维度的信号大小。如果给出,每个维度
dim[i]
将在计算 FFT 之前被零填充或修剪到长度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], 可选) – 要转换的维度。默认值:所有维度,或者如果给出
s
,则为最后的len(s)
个维度。norm (str, 可选) –
规范化模式。对于正向变换 (
fftn()
),这些对应于"forward"
- 按1/n
规范化"backward"
- 无规范化"ortho"
- 按1/sqrt(n)
规范化(使 FFT 正交)
其中
n = prod(s)
是逻辑 FFT 大小。使用相同的规范化模式调用反向变换 (ifftn()
) 将在两个变换之间应用1/n
的总体规范化。这需要使ifftn()
成为精确的反向函数。默认值为
"backward"
(无规范化)。
- 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(fftn, two_ffts, check_stride=False)