torch.fft.rfftn#

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

計算實數 input 的 N 維離散傅立葉變換。

實數訊號的傅立葉變換是厄米對稱的，X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])，因此 fftn() 的完整輸出包含冗餘資訊。rfftn() 則省略了最後一個維度中的負頻率。

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。如果給定，則 dim[i] 維將被零填充或裁剪到長度 s[i]，然後再計算實傅立葉變換。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：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。對於正向變換（rfftn()），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)（使實傅立葉變換為正交變換）
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（irfftn()）將在兩次變換之間應用一個整體歸一化 1/n。這對於使 irfftn() 成為精確的逆變換是必需的。

預設值為"backward"（無歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

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

與 fftn() 的完整輸出相比，我們包含了所有直到奈奎斯特頻率的元素。

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

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

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

文件