torch.fft.hfft2¶
- torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) Tensor ¶
计算 Hermitian 对称
input
信号的二维离散傅里叶变换。等效于hfftn()
,但默认情况下只变换最后两个维度。input
被解释为时域中的一侧 Hermitian 信号。根据 Hermitian 属性,傅里叶变换将是实值的。注意
支持 CUDA 上具有 GPU 架构 SM53 或更高版本的 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。使用默认参数,最后一个维度的尺寸应为 (2^n + 1),因为参数 s 默认值为偶数输出尺寸 = 2 * (last_dim_size - 1)
- 参数
input (Tensor) – 输入张量
s (Tuple[int], optional) – 变换维度的信号大小。如果给出,每个维度
dim[i]
将在计算 Hermitian FFT 之前填充零或修剪为长度s[i]
。如果指定长度-1
,则不会在该维度进行填充。默认值为最后一个维度的偶数输出:s[-1] = 2*(input.size(dim[-1]) - 1)
.dim (Tuple[int], optional) – 要变换的维度。最后一个维度必须是半 Hermitian 压缩维度。默认值:最后两个维度。
norm (str, optional) –
归一化模式。对于正向变换 (
hfft2()
),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 Hermitian 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 (ihfft2()
) 将在两次变换之间应用1/n
的整体归一化。这对于使ihfft2()
成为精确的反函数是必需的。默认值为
"backward"
(不归一化)。
- 关键字参数
out (Tensor, optional) – 输出张量。
示例
从实频率空间信号开始,我们可以生成 Hermitian 对称时域信号: >>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)
在没有将输出长度指定给
hfftn()
的情况下,输出将无法正确往返,因为输入在最后一个维度上是奇数长度的>>> torch.fft.hfft2(t).size() torch.Size([10, 10])
因此,建议始终传递信号形状
s
。>>> roundtrip = torch.fft.hfft2(t, T.size()) >>> roundtrip.size() torch.Size([10, 9]) >>> torch.allclose(roundtrip, T) True