torch.fft.fftn

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

計算 input 的 N 維離散傅立葉變換。

注意

任何實訊號的傅立葉域表示都滿足厄米特（Hermitian）性質：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函式始終返回所有正頻率和負頻率項，即使對於實數輸入，其中一半的值是冗餘的。rfftn() 返回更緊湊的單邊表示，其中只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。如果給出，將在計算 FFT 之前，將每個維度 dim[i] 零填充或裁剪到長度 s[i]。如果指定長度 -1，則該維度不進行填充。預設為 s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要變換的維度。預設值：所有維度，或者如果給出了 s，則為最後 len(s) 個維度。

• norm (str, optional) –

  歸一化模式。對於正向變換（fftn()），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。使用相同歸一化模式呼叫反向變換（ifftn()）將在兩次變換之間應用 1/n 的總體歸一化。這使得 ifftn() 成為精確逆變換是必需的。

  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)
>>> fftn = torch.fft.fftn(x)

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

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