torch.fft.irfft2

torch.fft.irfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算 rfft2() 的逆。等同於 irfftn()，但預設情況下僅對最後兩個維度進行 IFFT。

input 被解釋為傅立葉域中的一維厄米訊號，如同 rfft2() 生成的那樣。根據厄米性質，輸出將是實數值。

注意

為了滿足厄米性質，某些輸入頻率必須是實數值。在這種情況下，虛部將被忽略。例如，零頻率項中的任何虛部都無法在實數輸出中表示，因此將被始終忽略。

注意

厄米輸入的正確解釋取決於原始資料的長度，如 s 所給。這是因為每個輸入形狀都可能對應一個奇數或偶數長度的訊號。預設情況下，假定訊號是偶數長度，而奇數訊號將無法正確地往返。因此，建議始終傳遞訊號形狀 s。

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) – 變換維度中的訊號大小。如果給定，則在計算實數 FFT 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，則該維度不進行填充。預設值為最後一個維度中的偶數輸出：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。預設值：最後兩個維度。

• norm (str, optional) –

  歸一化模式。對於反向變換（irfft2()），這些對應於

  • "forward" - 無歸一化

  • "backward" - 按 1/n 歸一化

  • "ortho" - 按 1/sqrt(n) 歸一化（使實值 IFFT 正交化）

  其中 n = prod(s) 是邏輯 IFFT 大小。使用相同歸一化模式呼叫正向變換（rfft2()）將在兩個變換之間應用總體歸一化 1/n。這對於使 irfft2() 成為精確的逆是必需的。

  預設為 "backward"（按 1/n 歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> t = torch.rand(10, 9)
>>> T = torch.fft.rfft2(t)

不指定 irfft2() 的輸出長度，由於最後一個維度是奇數長度輸入，輸出將無法正確往返。

>>> torch.fft.irfft2(T).size()
torch.Size([10, 8])

因此，建議始終傳遞訊號形狀 s。

>>> roundtrip = torch.fft.irfft2(T, t.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)