torch.fft.rfft2#

torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor#

計算實數input的二維離散傅立葉變換。相當於rfftn()，但預設情況下僅對最後兩個維度進行FFT。

實數訊號的FFT是厄米對稱的，X[i, j] = conj(X[-i, -j])，因此完整的fft2()輸出包含冗餘資訊。rfft2()則省略了最後一個維度的負頻率。

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) – 變換維度的訊號大小。如果給出，則dim[i]中的每個維度在計算實數FFT之前都會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：s = [input.size(d) for d in dim]
dim (Tuple[int], optional) – 要變換的維度。預設值：最後兩個維度。
norm (str, optional) –
歸一化模式。對於正向變換（rfft2()），這些對應於
- "forward" - 歸一化因子為1/n
- "backward" - 無歸一化
- "ortho" - 歸一化因子為1/sqrt(n)（使實數FFT正交化）
其中n = prod(s)是邏輯FFT大小。當使用相同的歸一化模式呼叫反向變換（irfft2()）時，兩個變換之間的總體歸一化因子為1/n。這是使irfft2()成為精確逆變換所必需的。

預設值為"backward"（無歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

與fft2()的完整輸出相比，我們得到了所有直到奈奎斯特頻率的元素。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

離散傅立葉變換是可分離的，因此這裡的rfft2()相當於fft()和rfft()的組合。

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)

文件