快捷方式

torch.fft.ihfftn

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

计算实数 input 的 N 维逆离散傅里叶变换。

input 必须是实值信号,在傅里叶域中进行解释。实数信号的 n 维 IFFT 具有厄米对称性,X[i, j, ...] = conj(X[-i, -j, ...])ihfftn() 以单边形式表示,其中仅包含最后一个信号维度下奈奎斯特频率以下的正频率。要计算完整输出,请使用 ifftn()

注意

在具有 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half。但是,它仅支持每个转换维度中 2 的幂的信号长度。

参数
  • input (Tensor) – 输入张量

  • s (Tuple[int], optional) – 变换维度中的信号大小。如果给出,则在计算厄米 IFFT 之前,每个维度 dim[i] 将会被零填充或截断到长度 s[i]。如果指定长度 -1,则该维度不会进行填充。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,或者如果给出 s,则为最后 len(s) 个维度。

  • norm (str, optional) –

    归一化模式。对于反向变换 (ihfftn()),这些对应于

    • "forward" - 不进行归一化

    • "backward" - 按 1/n 归一化

    • "ortho" - 按 1/sqrt(n) 归一化(使厄米 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 (hfftn()) 将在两个变换之间应用 1/n 的整体归一化。这需要使 ihfftn() 成为精确的反向变换。

    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

>>> T = torch.rand(10, 10)
>>> ihfftn = torch.fft.ihfftn(T)
>>> ihfftn.size()
torch.Size([10, 6])

与来自 ifftn() 的完整输出相比,我们拥有了奈奎斯特频率之前的所有元素。

>>> ifftn = torch.fft.ifftn(t)
>>> torch.allclose(ifftn[..., :6], ihfftn)
True

离散傅里叶变换是可分离的,因此此处的 ihfftn() 等效于 ihfft()ifft() 的组合。

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
True

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源