torch.fft.irfftn

torch.fft.irfftn(input, s=None, dim=None, norm=None, *, out=None) → Tensor

计算 rfftn() 的逆运算。

input 被解释为傅里叶域中的单边厄米信号，由 rfftn() 生成。根据厄米性质，输出将是实数值。

注意

一些输入频率必须是实数值才能满足厄米性质。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

厄米输入的正确解释取决于原始数据的长度，由 s 给出。这是因为每个输入形状可能对应于奇数或偶数长度的信号。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。因此，建议始终传递信号形状 s。

注意

在 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中信号长度为 2 的幂。使用默认参数，最后一个维度的大小应为 (2^n + 1)，因为参数 s 默认为偶数输出大小 = 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。如果给定，则每个维度 dim[i] 将在计算实数 FFT 之前被零填充或修剪到长度 s[i]。如果指定长度 -1，则在该维度中不进行填充。默认为最后一个维度中的偶数输出：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压缩维度。默认值：所有维度，或者如果给定 s，则为最后 len(s) 个维度。

• norm (str, 可选) –

  归一化模式。对于反向变换 (irfftn())，这些对应于

  • "forward" - 无归一化

  • "backward" - 按 1/n 归一化

  • "ortho" - 按 1/sqrt(n) 归一化 (使实数 IFFT 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 (rfftn()) 将在两个变换之间应用 1/n 的整体归一化。这是使 irfftn() 成为精确逆运算所必需的。

  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)

如果不指定 irfft() 的输出长度，则输出将无法正确往返，因为输入在最后一个维度中是奇数长度

>>> 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)