torch.fft.ihfftn

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

計算實值 input 的 N 維逆離散傅立葉變換 (IFFT)。

input 必須是一個實值訊號，並在傅立葉域中進行解釋。實訊號的 n 維 IFFT 是厄米特對稱的，即 X[i, j, ...] = conj(X[-i, -j, ...])。ihfftn() 以單邊形式表示這一點，其中只包含最後一個訊號維度中低於奈奎斯特頻率的正頻率。要計算完整輸出，請使用 ifftn()。

注意

在 GPU 架構 SM53 或更高版本的 CUDA 上支援 torch.half。但它只支援所有變換維度中訊號長度為 2 的冪。

引數

• input (Tensor) – 輸入的張量

• s (Tuple[int], optional) – 變換維度中的訊號尺寸。如果給定，每個維度 dim[i] 將在計算厄米特 IFFT 之前被零填充或截斷到長度 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], optional) – 要進行變換的維度。預設值: 所有維度，或者如果給定了 s，則是最後 len(s) 個維度。

• norm (str, optional) –

  歸一化模式。對於逆變換 (ihfftn())，它們對應於

  • "forward" - 不進行歸一化

  • "backward" - 按 1/n 歸一化

  • "ortho" - 按 1/sqrt(n) 歸一化 (使厄米特 IFFT 正交歸一)

  其中 n = prod(s) 是邏輯 IFFT 尺寸。以相同的歸一化模式呼叫正向變換 (hfftn()) 將在兩個變換之間應用 1/n 的總歸一化。這是使 ihfftn() 成為精確逆變換所必需的。

  預設值是 "backward" (按 1/n 歸一化)。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> T = torch.rand(10, 10)
>>> ihfftn = torch.fft.ihfftn(T)
>>> ihfftn.size()
torch.Size([10, 6])

與 ifftn() 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。

>>> ifftn = torch.fft.ifftn(t)
>>> torch.allclose(ifftn[..., :6], ihfftn)
True

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

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
True