torch.fft.irfft2

torch.fft.irfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

计算 rfft2() 的逆变换。等同于 irfftn()，但默认只对最后两个维度执行 IFFT。

input 在傅里叶域中被解释为单侧厄米特信号，由 rfft2() 生成。根据厄米特性质，输出将是实数值的。

注意

为了满足厄米特性质，某些输入频率必须是实数值。在这种情况下，虚部将被忽略。例如，零频项中的任何虚部都不能在实数输出中表示，因此总是会被忽略。

注意

厄米特输入的正确解释取决于原始数据的长度，由 s 指定。这是因为每个输入形状可能对应于奇数长度或偶数长度的信号。默认情况下，信号被假定为偶数长度，奇数信号将无法正确往返（round-trip）。因此，建议始终传递信号形状 s。

注意

支持在 GPU 架构 SM53 或更高版本的 CUDA 上使用 torch.half 和 torch.chalf。但是，它只支持所有变换维度中信号长度为 2 的幂。使用默认参数时，由于参数 s 默认输出偶数尺寸 = 2 * (last_dim_size - 1)，因此最后一个维度的尺寸应为 (2^n + 1)。

参数

• input (Tensor) – 输入张量

• s (Tuple[int], optional) – 在变换维度中的信号尺寸。如果指定，则每个维度 dim[i] 在计算实数 FFT 之前将被零填充或裁剪到长度 s[i]。如果长度指定为 -1，则该维度不进行填充。默认在最后一个维度上输出偶数尺寸：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], optional) – 要变换的维度。最后一个维度必须是半厄米特压缩维度。默认：最后两个维度。

• norm (str, optional) –

  归一化模式。对于逆变换（irfft2()），这些模式对应于：

  • "forward" - 无归一化

  • "backward" - 按 1/n 归一化

  • "ortho" - 按 1/sqrt(n) 归一化（使实数 IFFT 成为正交）

  其中 n = prod(s) 是逻辑 IFFT 尺寸。使用相同的归一化模式调用正向变换（rfft2()）将在两个变换之间应用总归一化因子 1/n。这是使 irfft2() 成为精确逆变换所必需的。

  默认是 "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, 9)
>>> T = torch.fft.rfft2(t)

如果不为 irfft2() 指定输出长度，由于输入在最后一个维度上是奇数长度，输出将无法正确往返（round-trip）

>>> torch.fft.irfft2(T).size()
torch.Size([10, 8])

因此，建议始终传递信号形状 s。

>>> roundtrip = torch.fft.irfft2(T, t.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)