torch.fft.hfft2

torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算 Hermitian 對稱 input 訊號的二維離散傅立葉變換。等同於 hfftn()，但預設只對最後兩個維度進行變換。

input 在時域被解釋為單側 Hermitian 訊號。根據 Hermitian 性質，傅立葉變換結果將是實數值。

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，它只支援每個變換維度中訊號長度為 2 的冪。使用預設引數時，由於引數 s 預設為偶數輸出尺寸 = 2 * (last_dim_size - 1)，所以最後一個維度的尺寸應為 (2^n + 1)。

引數

• input (Tensor) – 輸入張量

• s (Tuple[int], 可選) – 變換維度的訊號尺寸。如果給定，每個維度 dim[i] 在計算 Hermitian FFT 之前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。預設情況下，最後一個維度的輸出為偶數：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], 可選) – 要變換的維度。最後一個維度必須是半 Hermitian 壓縮維度。預設值：最後兩個維度。

• norm (str, 可選) –

  歸一化模式。對於正向變換 (hfft2())，模式如下：

  • "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 Hermitian FFT 正交歸一）

  其中 n = prod(s) 是邏輯 FFT 尺寸。使用相同的歸一化模式呼叫逆變換 (ihfft2()) 將在兩次變換之間應用總計 1/n 的歸一化。這是使 ihfft2() 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

從實數頻率域訊號開始，我們可以生成一個 Hermitian 對稱的時域訊號： >>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

如果不向 hfftn() 指定輸出長度，由於輸入的最後一個維度長度為奇數，輸出將無法正確地往返（round-trip）轉換

>>> torch.fft.hfft2(t).size()
torch.Size([10, 10])

因此，建議始終傳遞訊號形狀 s。

>>> roundtrip = torch.fft.hfft2(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True