torch.fft.rfft2

torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算實數 input 的二維離散傅立葉變換。等同於 rfftn()，但預設僅對最後兩個維度執行 FFT。

實數訊號的 FFT 具有厄密對稱性（Hermitian-symmetric），即 X[i, j] = conj(X[-i, -j])，因此完整的 fft2() 輸出包含冗餘資訊。rfft2() 則省略了最後一個維度中的負頻率部分。

注意

在 GPU 架構 SM53 或更高版本的 CUDA 裝置上支援 torch.half。但它僅支援被變換的每個維度中的訊號長度為 2 的冪。

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，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。預設值: s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要進行變換的維度。預設值: 最後兩個維度。

• norm (str, optional) –

  歸一化模式。對於前向變換 (rfft2())，它們對應於

  • "forward" - 除以 1/n 進行歸一化

  • "backward" - 不進行歸一化

  • "ortho" - 除以 1/sqrt(n) 進行歸一化（使實數 FFT 成為正交歸一化）

  其中 n = prod(s) 是邏輯 FFT 大小。使用相同的歸一化模式呼叫逆變換 (irfft2()) 將在兩次變換之間應用總計為 1/n 的歸一化。這是使 irfft2() 成為精確逆變換所必需的。

  預設值為 "backward"（不進行歸一化）。

關鍵字引數

out (Tensor, optional) – 輸出張量。

示例

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

與 fft2() 的完整輸出相比，我們獲得了直到奈奎斯特頻率（Nyquist frequency）的所有元素。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

離散傅立葉變換是可分離的，因此這裡的 rfft2() 等同於 fft() 和 rfft() 的組合。

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)