torch.fft.irfft¶
- torch.fft.irfft(input, n=None, dim=-1, norm=None, *, out=None) Tensor ¶
计算
rfft()
的逆变换。input
被解释为傅里叶域中由rfft()
生成的单边厄米特信号。根据厄米特性质,输出将是实数值。注意
某些输入频率必须是实数值才能满足厄米特性质。在这些情况下,虚部将被忽略。例如,零频率项中的任何虚部都无法在实数输出中表示,因此将始终被忽略。
注意
厄米特输入的正确解释取决于原始数据的长度,如
n
所示。这是因为每个输入形状都可能对应于奇数或偶数长度的信号。默认情况下,假设信号为偶数长度,奇数信号将无法正确往返。因此,建议始终传递信号长度n
。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,它仅支持每个转换维度上 2 的幂的信号长度。使用默认参数,转换维度的尺寸应为 (2^n + 1),因为参数 n 默认为偶数输出尺寸 = 2 * (转换维度尺寸 - 1)
- 参数
input (Tensor) – 表示半厄米特信号的输入张量
n (int, 可选) – 输出信号长度。这决定了输出信号的长度。如果给出,则在计算实数 IFFT 之前,输入将填充零或截断到此长度。默认为偶数输出:
n=2*(input.size(dim) - 1)
。dim (int, 可选) – 进行一维实数 IFFT 的维度。
norm (str, 可选) –
归一化模式。对于反变换 (
irfft()
),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(使实数 IFFT 正交)
使用相同的归一化模式调用前向变换 (
rfft()
) 将在两个变换之间应用总归一化1/n
。这是使irfft()
成为精确逆变换所必需的。默认为
"backward"
(按1/n
归一化)。
- 关键字参数
out (Tensor, 可选) – 输出张量。
示例
>>> t = torch.linspace(0, 1, 5) >>> t tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]) >>> T = torch.fft.rfft(t) >>> T tensor([ 2.5000+0.0000j, -0.6250+0.8602j, -0.6250+0.2031j])
如果不向
irfft()
指定输出长度,则输出将无法正确往返,因为输入是奇数长度>>> torch.fft.irfft(T) tensor([0.1562, 0.3511, 0.7812, 1.2114])
因此,建议始终传递信号长度
n
>>> roundtrip = torch.fft.irfft(T, t.numel()) >>> torch.testing.assert_close(roundtrip, t, check_stride=False)