torch.fft.fftn

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

計算 input 的 N 維離散傅立葉變換。

注意

任何實訊號在傅立葉域的表示都滿足 Hermitian 屬性：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函式始終返回所有正負頻率項，即使對於實數輸入，其中一半值是冗餘的。rfftn() 返回更緊湊的單邊表示，其中僅返回最後一維的正頻率項。

注意

在 GPU 架構 SM53 或更高版本的 CUDA 上支援 torch.half 和 torch.chalf。但它僅支援所有變換維度中訊號長度為 2 的冪次方。

引數

• input (Tensor) – 輸入張量

• s (Tuple[int], 可選) – 變換維度中的訊號尺寸。如果指定，每個維度 dim[i] 在計算 FFT 之前將進行零填充或擷取到長度 s[i]。如果指定的長度為 -1，則該維度不進行填充。預設值：s = [input.size(d) for d in dim]

• dim (Tuple[int], 可選) – 要變換的維度。預設值：所有維度；如果指定了 s，則為最後 len(s) 個維度。

• norm (str, 可選) –

  歸一化模式。對於正向變換 (fftn())，它們對應於

  • "forward" - 按 1/n 歸一化

  • "backward" - 不進行歸一化

  • "ortho" - 按 1/sqrt(n) 歸一化 (使 FFT 正交)

  其中 n = prod(s) 是邏輯 FFT 尺寸。使用相同的歸一化模式呼叫反向變換 (ifftn()) 將在兩次變換之間應用總計 1/n 的歸一化。這是使 ifftn() 成為精確逆變換所必需的。

  預設值為 "backward" (不進行歸一化)。

關鍵字引數

out (Tensor, 可選) – 輸出張量。

示例

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

離散傅立葉變換是可分離的，因此這裡的 fftn() 等價於兩次一維 fft() 呼叫

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