torch.fft.irfftn

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

計算 rfftn() 的逆運算。

input 被解釋為傅立葉域中的單邊厄米特訊號，類似於 rfftn() 的輸出。根據厄米特性質，輸出將是實數值。

注意

某些輸入頻率必須是實數值才能滿足厄米特性質。在這種情況下，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

對厄米特輸入的正確解釋取決於原始資料的長度，由 s 給出。這是因為每個輸入形狀都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（round-trip）。因此，建議始終傳遞訊號形狀 s。

注意

在 GPU 架構為 SM53 或更高版本的 CUDA 上支援 torch.half 和 torch.chalf。但它只支援變換維度中訊號長度為 2 的冪。使用預設引數時，最後一維的大小應為 (2^n + 1)，因為引數 s 預設為偶數輸出大小 = 2 * (最後一維大小 - 1)

引數

• input (Tensor) – 輸入張量

• s (Tuple[int], optional) – 變換維度中的訊號大小。如果給出，在計算實數 FFT 之前，每個維度 dim[i] 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。預設為最後一維的偶數輸出大小：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], optional) – 要變換的維度。最後一維必須是半厄米特壓縮維度。預設值：所有維度，如果給定了 s，則為最後 len(s) 個維度。

• norm (str, optional) –

  歸一化模式。對於逆變換（irfftn()），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（使實數 IFFT 成為正交）

  其中 n = prod(s) 是邏輯 IFFT 大小。使用相同的歸一化模式呼叫正變換（rfftn()）將在兩個變換之間應用 1/n 的整體歸一化。這對於使 irfftn() 成為精確逆運算是必需的。

  預設值為 "backward" （按 1/n 進行歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> t = torch.rand(10, 9)
>>> T = torch.fft.rfftn(t)

如果不為 irfft() 指定輸出長度，則由於輸入在最後一維是奇數長度，輸出將無法正確地往返轉換。

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

因此，建議始終傳遞訊號形狀 s。

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