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()
与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