torch.fft.ifftn

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

計算 input 的 N 維逆離散傅立葉變換。

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，它僅支援所有變換維度中長度為 2 的冪的訊號。

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，每個維度 dim[i] 在計算 IFFT 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；如果 s 給定，則為最後 len(s) 個維度。

• norm (str, optional) –

  歸一化模式。對於逆變換 (ifftn())，這些模式對應於

  • "forward" - 無歸一化

  • "backward" - 按 1/n 進行歸一化

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

  其中 n = prod(s) 是邏輯 IFFT 大小。以相同的歸一化模式呼叫正向變換 (fftn()) 將在兩次變換之間應用整體 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" (按 1/n 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)
>>> ifftn = torch.fft.ifftn(x)

離散傅立葉變換是可分離的，因此這裡的 ifftn() 等同於兩次一維的 ifft() 呼叫。

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)