torch.fft.ihfftn¶
- torch.fft.ihfftn(input, s=None, dim=None, norm=None, *, out=None) Tensor ¶
计算实值
input
的 N 维逆离散傅里叶变换 (IFFT)。input
必须是一个实值信号,并在傅里叶域中进行解释。实信号的 n 维 IFFT 是厄米特对称的,即X[i, j, ...] = conj(X[-i, -j, ...])
。ihfftn()
以单边形式表示这一点,其中只包含最后一个信号维度中低于奈奎斯特频率的正频率。要计算完整输出,请使用ifftn()
。注意
在 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half。但它只支持所有变换维度中信号长度为 2 的幂。
- 参数
input (Tensor) – 输入的张量
s (Tuple[int], optional) – 变换维度中的信号尺寸。如果给定,每个维度
dim[i]
将在计算厄米特 IFFT 之前被零填充或截断到长度s[i]
。如果指定的长度为-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) – 要进行变换的维度。默认值: 所有维度,或者如果给定了
s
,则是最后len(s)
个维度。norm (str, optional) –
归一化模式。对于逆变换 (
ihfftn()
),它们对应于"forward"
- 不进行归一化"backward"
- 按1/n
归一化"ortho"
- 按1/sqrt(n)
归一化 (使厄米特 IFFT 正交归一)
其中
n = prod(s)
是逻辑 IFFT 尺寸。以相同的归一化模式调用正向变换 (hfftn()
) 将在两个变换之间应用1/n
的总归一化。这是使ihfftn()
成为精确逆变换所必需的。默认值是
"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
ifftn()
的完整输出相比,我们包含了所有直到奈奎斯特频率的元素。>>> ifftn = torch.fft.ifftn(t) >>> torch.allclose(ifftn[..., :6], ihfftn) True
离散傅里叶变换是可分离的,因此这里的
ihfftn()
等同于ihfft()
和ifft()
的组合。>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0) >>> torch.allclose(ihfftn, two_iffts) True