torch.fft.ifftn

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

计算 input 的 N 维逆离散傅里叶变换。

注意

在 GPU 架构为 SM53 或更高版本的 CUDA 上支持 torch.half 和 torch.chalf。但是，它仅支持所有变换维度中长度为 2 的幂的信号。

参数

• input (Tensor) – 输入张量

• s (Tuple[int], optional) – 变换维度中的信号大小。如果给定，每个维度 dim[i] 在计算 IFFT 之前将被零填充或截断到长度 s[i]。如果指定长度为 -1，则该维度不进行填充。默认值：s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要变换的维度。默认值：所有维度；如果 s 给定，则为最后 len(s) 个维度。

• norm (str, optional) –

  归一化模式。对于逆变换 (ifftn())，这些模式对应于

  • "forward" - 无归一化

  • "backward" - 按 1/n 进行归一化

  • "ortho" - 按 1/sqrt(n) 进行归一化 (使 IFFT 正交)

  其中 n = prod(s) 是逻辑 IFFT 大小。以相同的归一化模式调用正向变换 (fftn()) 将在两次变换之间应用整体 1/n 的归一化。这是使 ifftn() 成为精确逆变换所必需的。

  默认值为 "backward" (按 1/n 归一化)。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> ifftn = torch.fft.ifftn(x)

离散傅里叶变换是可分离的，因此这里的 ifftn() 等同于两次一维的 ifft() 调用。

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)