快捷方式

torch.fft.rfft2

torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) Tensor

计算实数 input 的二维离散傅里叶变换。等效于 rfftn(),但默认情况下仅对最后两个维度进行 FFT。

实信号的 FFT 是厄米特对称的,X[i, j] = conj(X[-i, -j]),因此完整 fft2() 输出包含冗余信息。相反,rfft2() 省略了最后维度中的负频率。

注意

在具有 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half。但是,它仅支持每个变换维度上的 2 的幂信号长度。

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,每个维度 dim[i] 将在计算实数 FFT 之前填充零或修剪到长度 s[i]。如果指定了长度 -1,则在该维度上不进行填充。默认:s = [input.size(d) for d in dim]

  • dim (Tuple[int], 可选) – 要变换的维度。默认:最后两个维度。

  • norm (str, 可选) –

    归一化模式。对于正向变换 (rfft2()),这些对应于

    • "forward" - 按 1/n 归一化

    • "backward" - 不归一化

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

    其中 n = prod(s) 是逻辑 FFT 大小。使用相同的归一化模式调用反向变换 (irfft2()) 将在两个变换之间应用 1/n 的整体归一化。这是使 irfft2() 成为精确反函数所必需的。

    默认值为 "backward"(不归一化)。

关键字参数

out (Tensor, 可选) – 输出张量。

示例

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

fft2() 的完整输出相比,我们拥有了所有元素,直到奈奎斯特频率。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

离散傅里叶变换是可分离的,因此此处的 rfft2() 等效于 fft()rfft() 的组合

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源