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)