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