torch.fft.ifftn#

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

計算 input 的 N 維離散傅立葉逆變換。

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，則在計算 IFFT 之前，每個維度 dim[i] 將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。預設值：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。對於反向變換（ifftn()），這些對應於
- "forward" - 無歸一化
- "backward" - 按 1/n 歸一化
- "ortho" - 歸一化因子為 1/sqrt(n)（使 IFFT 變為正交變換）
其中 n = prod(s) 是邏輯 IFFT 大小。使用相同的歸一化模式呼叫正向變換（fftn()）將在兩次變換之間應用 1/n 的總體歸一化。這對於使 ifftn() 成為精確的逆變換是必需的。

預設為 "backward"（按 1/n 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)
>>> ifftn = torch.fft.ifftn(x)

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

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)

文件