torch.fft.fft2

torch.fft.fft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算 input 的二維離散傅立葉變換。等同於 fftn()，但預設僅對最後兩個維度進行 FFT。

注意

任何實訊號的傅立葉域表示滿足 Hermitian 屬性：X[i, j] = conj(X[-i, -j])。此函式始終返回所有正負頻率項，儘管對於實數輸入，其中一半值是冗餘的。rfft2() 返回更緊湊的單側表示，其中僅返回最後一個維度的正頻率。

注意

在 GPU 架構為 SM53 或更高版本的 CUDA 上支援 torch.half 和 torch.chalf。但是，它僅支援每個變換維度中訊號長度為 2 的冪次方的情況。

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，在計算 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: 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 (fft2())，它們對應於

  • "forward" - 乘以 1/n 進行歸一化

  • "backward" - 不進行歸一化

  • "ortho" - 乘以 1/sqrt(n) 進行歸一化（使 FFT 正交）

  其中 n = prod(s) 是邏輯 FFT 大小。使用相同的歸一化模式呼叫逆向變換 (ifft2()) 將在兩個變換之間應用總共 1/n 的歸一化。這是使 ifft2() 成為精確逆變換所必需的。

  預設值是 "backward" (不進行歸一化)。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fft2 = torch.fft.fft2(x)

離散傅立葉變換是可分離的，因此此處的 fft2() 等同於兩次一維 fft() 呼叫

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)