torch.fft.fft2#

torch.fft.fft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor#

計算 input 的二維離散傅立葉變換。等同於 fftn()，但預設只對最後兩個維度進行 FFT。

注意

任何實訊號的傅立葉域表示都滿足厄米特性質：X[i, j] = conj(X[-i, -j])。此函式始終返回所有正頻率和負頻率項，即使對於實輸入，其中一半的值是冗餘的。 rfft2() 返回更緊湊的單邊表示，其中僅返回最後一個維度的正頻率。

注意

在具有GPU架構SM53或更高版本的CUDA上支援torch.half和torch.chalf。但它只支援每個變換維度中2的冪的訊號長度。

引數

input (Tensor) – 輸入張量
s (Tuple[int], optional) – 變換維度中的訊號大小。如果給定，則 dim[i] 中的每個維度將被零填充或截斷到長度 s[i]，然後再計算 FFT。如果指定長度為 -1，則該維度不進行填充。預設值：s = [input.size(d) for d in dim]
dim (Tuple[int], optional) – 要變換的維度。預設值：最後兩個維度。
norm (str, optional) –
歸一化模式。對於前向變換（fft2()），這些對應於
- "forward" - 歸一化因子為1/n
- "backward" - 無歸一化
- "ortho" - 歸一化因子為1/sqrt(n)（使FFT正交）
其中 n = prod(s) 是邏輯 FFT 大小。使用相同的歸一化模式呼叫反向變換（ifft2()）將在兩次變換之間應用 1/n 的整體歸一化。這使得 ifft2() 成為精確的逆變換所必需。

預設值為"backward"（無歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fft2 = torch.fft.fft2(x)

離散傅立葉變換是可分離的，因此這裡的 fft2() 等同於兩次一維 fft() 呼叫

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)

文件