torch.fft.hfft2

torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算厄米對稱input訊號的二維離散傅立葉變換。等價於hfftn()，但預設只變換最後兩個維度。

input被解釋為時域中的一側厄米訊號。根據厄米性質，傅立葉變換將是實值。

注意

支援 CUDA 上的 torch.half 和 torch.chalf（GPU 架構 SM53 或更高）。但是，它僅支援每個變換維度中 2 的冪次訊號長度。使用預設引數時，最後一個維度的大小應為 (2^n + 1)，因為引數 s 預設為偶數輸出大小 = 2 * (last_dim_size - 1)。

引數

• input (Tensor) – 輸入張量

• s (Tuple[int], optional) – 變換維度的訊號大小。如果給定，則每個維度dim[i]將在計算厄米FFT之前被零填充或截斷到長度s[i]。如果指定長度為-1，則在該維度上不進行填充。預設情況下，在最後一個維度上進行偶數輸出：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], optional) – 要變換的維度。最後一個維度必須是半厄米壓縮維度。預設：最後兩個維度。

• norm (str, optional) –

  歸一化模式。對於正向變換（hfft2()），這些對應於

  • "forward" - 歸一化因子為1/n

  • "backward" - 無歸一化

  • "ortho" - 歸一化為 1/sqrt(n)（使厄米 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（ihfft2()）將在兩個變換之間應用1/n的整體歸一化。這對於使ihfft2()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

從實頻域訊號開始，我們可以生成一個厄米對稱的時域訊號：>>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

如果不向hfftn()指定輸出長度，則輸入在最後一個維度上是奇數長度，因此輸出將無法正確地進行往返。

>>> torch.fft.hfft2(t).size()
torch.Size([10, 10])

因此，建議始終傳遞訊號形狀 s。

>>> roundtrip = torch.fft.hfft2(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True