torch.fft.ihfftn

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

計算實值 input 的 N 維逆離散傅立葉變換。

input 必須是實值訊號，在傅立葉域中解釋。實訊號的 N 維 IFFT 是厄米對稱的，X[i, j, ...] = conj(X[-i, -j, ...])。ihfftn() 以單邊形式表示此，其中僅包含最後一個訊號維度中低於奈奎斯特頻率的正頻率。要計算完整的輸出，請使用 ifftn()。

注意

支援CUDA上的torch.half（GPU架構SM53或更高）。但是它只支援每個轉換維度中2的冪次訊號長度。

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，每個維度 dim[i] 將在計算厄米 IFFT 之前被零填充或截斷到長度 s[i]。如果指定長度 -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：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（ihfftn()），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)（使厄米 IFFT 正交）

  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（hfftn()）將在兩個變換之間應用 1/n 的整體歸一化。這是使 ihfftn() 成為精確逆運算所必需的。

  預設為 "backward"（按 1/n 歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> T = torch.rand(10, 10)
>>> ihfftn = torch.fft.ihfftn(T)
>>> ihfftn.size()
torch.Size([10, 6])

與 ifftn() 的完整輸出相比，我們得到了低於奈奎斯特頻率的所有元素。

>>> ifftn = torch.fft.ifftn(t)
>>> torch.allclose(ifftn[..., :6], ihfftn)
True

離散傅立葉變換是可分離的，因此這裡的 ihfftn() 等同於 ihfft() 和 ifft() 的組合。

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
True