torch.fft.irfft

torch.fft.irfft(input, n=None, dim=-1, norm=None, *, out=None) → Tensor

計算 rfft() 的逆運算。

input 被解釋為傅立葉域中的單側 Hermitian 訊號，如 rfft() 所產生的那樣。根據 Hermitian 性質，輸出將是實數值。

注意

為了滿足 Hermitian 性質，一些輸入頻率必須是實數值。在這些情況下，虛部將被忽略。例如，零頻率項中的任何虛部都無法在實數輸出中表示，因此將始終被忽略。

注意

Hermitian 輸入的正確解釋取決於原始資料的長度，由 n 給出。這是因為每個輸入形狀可能對應於奇數或偶數長度的訊號。預設情況下，假定訊號長度為偶數，奇數訊號將無法正確地往返轉換。因此，建議始終傳遞訊號長度 n。

注意

在 GPU 架構 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的訊號長度為 2 的冪。對於預設引數，變換維度的尺寸應為 (2^n + 1)，因為引數 n 預設為偶數輸出尺寸 = 2 * (變換維度尺寸 - 1)。

引數

• input (Tensor) – 表示半 Hermitian 訊號的輸入張量

• n (int, 可選) – 輸出訊號長度。這決定了輸出訊號的長度。如果給定，輸入將在計算實數 IFFT 之前被零填充或截斷到此長度。預設為偶數輸出：n=2*(input.size(dim) - 1)。

• dim (int, 可選) – 沿其進行一維實數 IFFT 的維度。

• norm (str, 可選) –

  歸一化模式。對於逆變換 (irfft())，它們對應於

  • "forward" - 不進行歸一化

  • "backward" - 按 1/n 進行歸一化

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

  以相同的歸一化模式呼叫前向變換 (rfft()) 將在兩個變換之間應用總計 1/n 的歸一化。這是使 irfft() 成為精確逆運算所必需的。

  預設值為 "backward" (按 1/n 進行歸一化)。

關鍵字引數

out (Tensor, 可選) – 輸出張量。

示例

>>> t = torch.linspace(0, 1, 5)
>>> t
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
>>> T = torch.fft.rfft(t)
>>> T
tensor([ 2.5000+0.0000j, -0.6250+0.8602j, -0.6250+0.2031j])

如果不為 irfft() 指定輸出長度，由於輸入是奇數長度，輸出將無法正確地往返轉換

>>> torch.fft.irfft(T)
tensor([0.1562, 0.3511, 0.7812, 1.2114])

因此，建議始終傳遞訊號長度 n

>>> roundtrip = torch.fft.irfft(T, t.numel())
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)