torch.fft.irfft2

torch.fft.irfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算 rfft2() 的逆變換。等同於 irfftn()，但預設只對最後兩個維度執行 IFFT。

input 在傅立葉域中被解釋為單側厄米特訊號，由 rfft2() 生成。根據厄米特性質，輸出將是實數值的。

注意

為了滿足厄米特性質，某些輸入頻率必須是實數值。在這種情況下，虛部將被忽略。例如，零頻項中的任何虛部都不能在實數輸出中表示，因此總是會被忽略。

注意

厄米特輸入的正確解釋取決於原始資料的長度，由 s 指定。這是因為每個輸入形狀可能對應於奇數長度或偶數長度的訊號。預設情況下，訊號被假定為偶數長度，奇數訊號將無法正確往返（round-trip）。因此，建議始終傳遞訊號形狀 s。

注意

支援在 GPU 架構 SM53 或更高版本的 CUDA 上使用 torch.half 和 torch.chalf。但是，它只支援所有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 預設輸出偶數尺寸 = 2 * (last_dim_size - 1)，因此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], optional) – 在變換維度中的訊號尺寸。如果指定，則每個維度 dim[i] 在計算實數 FFT 之前將被零填充或裁剪到長度 s[i]。如果長度指定為 -1，則該維度不進行填充。預設在最後一個維度上輸出偶數尺寸：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], optional) – 要變換的維度。最後一個維度必須是半厄米特壓縮維度。預設：最後兩個維度。

• norm (str, optional) –

  歸一化模式。對於逆變換（irfft2()），這些模式對應於：

  • "forward" - 無歸一化

  • "backward" - 按 1/n 歸一化

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

  其中 n = prod(s) 是邏輯 IFFT 尺寸。使用相同的歸一化模式呼叫正向變換（rfft2()）將在兩個變換之間應用總歸一化因子 1/n。這是使 irfft2() 成為精確逆變換所必需的。

  預設是 "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, 9)
>>> T = torch.fft.rfft2(t)

如果不為 irfft2() 指定輸出長度，由於輸入在最後一個維度上是奇數長度，輸出將無法正確往返（round-trip）

>>> torch.fft.irfft2(T).size()
torch.Size([10, 8])

因此，建議始終傳遞訊號形狀 s。

>>> roundtrip = torch.fft.irfft2(T, t.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)