torch.fft.irfftn¶
- torch.fft.irfftn(input, s=None, dim=None, norm=None, *, out=None) Tensor ¶
计算
rfftn()
的逆变换。input
被解释为傅里叶域中的一侧厄米特信号,由rfftn()
生成。根据厄米特特性,输出将是实值的。注意
某些输入频率必须是实值的才能满足厄米特特性。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不能在实数输出中表示,因此始终会被忽略。
注意
厄米特输入的正确解释取决于原始数据的长度,如
s
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,建议始终传递信号形状s
。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,它仅支持每个变换维度上 2 的幂信号长度。使用默认参数,最后一个维度的尺寸应为 (2^n + 1),因为参数 s 默认为偶数输出尺寸 = 2 * (last_dim_size - 1)
- 参数
input (Tensor) – 输入张量
s (Tuple[int], 可选) – 变换维度中的信号大小。如果给出,则每个维度
dim[i]
将在计算实数 FFT 之前用零填充或修剪到长度s[i]
。如果指定长度-1
,则该维度不进行填充。默认为最后一个维度上的偶数输出:s[-1] = 2*(input.size(dim[-1]) - 1)
。dim (Tuple[int], 可选) – 要变换的维度。最后一个维度必须是半厄米特压缩维度。默认值:所有维度,或者如果给出
s
,则为最后len(s)
个维度。norm (str, 可选) –
归一化模式。对于反变换 (
irfftn()
),这些对应于"forward"
- 不归一化"backward"
- 按1/n
归一化"ortho"
- 按1/sqrt(n)
归一化(使实数 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正向变换 (rfftn()
) 将在两个变换之间应用1/n
的整体归一化。这是使irfftn()
成为精确逆变换所必需的。默认值为
"backward"
(按1/n
归一化)。
- 关键字参数
out (Tensor, 可选) – 输出张量。
示例
>>> t = torch.rand(10, 9) >>> T = torch.fft.rfftn(t)
在不向
irfft()
指定输出长度的情况下,输出将无法正确往返,因为输入在最后一个维度上是奇数长度的>>> torch.fft.irfftn(T).size() torch.Size([10, 8])
因此,建议始终传递信号形状
s
。>>> roundtrip = torch.fft.irfftn(T, t.size()) >>> roundtrip.size() torch.Size([10, 9]) >>> torch.testing.assert_close(roundtrip, t, check_stride=False)