torch.fft.ifft2¶
- torch.fft.ifft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) Tensor ¶
计算
input
的二维逆离散傅里叶变换。等效于ifftn()
,但默认情况下仅对最后两个维度进行 IFFT。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,它仅支持每个变换维度上 2 的幂的信号长度。
- 参数
input (Tensor) – 输入张量
s (Tuple[int], 可选) – 变换维度中的信号大小。如果给出,则每个维度
dim[i]
在计算 IFFT 之前将被零填充或修剪到长度s[i]
。如果指定长度-1
,则该维度不进行填充。默认值:s = [input.size(d) for d in dim]
dim (Tuple[int], 可选) – 要变换的维度。默认值:最后两个维度。
norm (str, 可选) –
归一化模式。对于反变换 (
ifft2()
),这些对应于"forward"
- 无归一化"backward"
- 按1/n
归一化"ortho"
- 按1/sqrt(n)
归一化(使 IFFT 正交)
其中
n = prod(s)
是逻辑 IFFT 大小。使用相同的归一化模式调用前向变换 (fft2()
) 将在两个变换之间应用1/n
的整体归一化。这需要使ifft2()
成为精确的反变换。默认值为
"backward"
(按1/n
归一化)。
- 关键字参数
out (Tensor, 可选) – 输出张量。
示例
>>> x = torch.rand(10, 10, dtype=torch.complex64) >>> ifft2 = torch.fft.ifft2(x)
离散傅里叶变换是可分离的,因此此处的
ifft2()
等效于两个一维ifft()
调用>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1) >>> torch.testing.assert_close(ifft2, two_iffts, check_stride=False)