快捷方式

torch.fft.hfftn

torch.fft.hfftn(input, s=None, dim=None, norm=None, *, out=None) Tensor

计算 Hermitian 对称 input 信号的 n 维离散傅里叶变换。

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

hfftn()/ihfftn()rfftn()/irfftn() 相似。实 FFT 预计时域中有一个实信号,并在频域中给出 Hermitian 对称。Hermitian FFT 是相反的;在时域中是 Hermitian 对称的,在频域中是实值的。因此,需要对形状参数 s 进行特别注意,与 irfftn() 相同。

注意

一些输入频率必须是实值的才能满足 Hermitian 属性。在这些情况下,将忽略虚部。例如,零频率项中的任何虚部都无法在实值输出中表示,因此将始终被忽略。

注意

Hermitian 输入的正确解释取决于原始数据的长度,如 s 所示。这是因为每个输入形状都可能对应于奇数或偶数长度信号。默认情况下,信号被假定为偶数长度,奇数信号将无法正确进行往返转换。建议始终传递信号形状 s

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,它仅支持每个转换维度中 2 的幂的信号长度。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 默认设置为偶数输出尺寸 = 2 * (last_dim_size - 1)

参数
  • input (Tensor) – 输入张量

  • s (Tuple[int], optional) – 转换维度中的信号尺寸。如果给出,每个维度 dim[i] 在计算实 FFT 之前将被零填充或修剪为长度 s[i]。如果指定长度 -1,则不会在该维度中进行填充。默认情况下,最后一个维度为偶数输出:s[-1] = 2*(input.size(dim[-1]) - 1)

  • dim (Tuple[int], optional) – 要转换的维度。最后一个维度必须是半 Hermitian 压缩维度。默认:所有维度,或者如果给出 s,则为最后 len(s) 个维度。

  • norm (str, optional) –

    归一化模式。对于正向变换 (hfftn()),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 (ihfftn()) 将在两个变换之间应用 1/n 的整体归一化。这是为了使 ihfftn() 成为精确的逆变换。

    默认值为 "backward"(无归一化)。

关键字参数

out (Tensor, 可选) – 输出张量。

示例

从实数频率空间信号开始,我们可以生成一个厄米特对称时域信号: >>> T = torch.rand(10, 9) >>> t = torch.fft.ihfftn(T)

如果不将输出长度指定为 hfftn(),则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.hfftn(t).size()
torch.Size([10, 10])

因此,建议始终传递信号形状 s

>>> roundtrip = torch.fft.hfftn(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True

文档

访问 PyTorch 的全面的开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源