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])
与
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()
和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)