torch.fft.fftn

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

计算 input 的 N 维离散傅里叶变换。

注意

任何实信号的傅里叶域表示都满足厄米特（Hermitian）性质：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函数始终返回所有正频率和负频率项，即使对于实数输入，其中一半的值是冗余的。rfftn() 返回更紧凑的单边表示，其中只返回最后一个维度的正频率。

注意

在具有GPU架构SM53或更高版本的CUDA上支持torch.half和torch.chalf。但它只支持每个变换维度中2的幂的信号长度。

参数

• input (Tensor) – 输入张量

• s (Tuple[int], optional) – 变换维度中的信号大小。如果给出，将在计算 FFT 之前，将每个维度 dim[i] 零填充或裁剪到长度 s[i]。如果指定长度 -1，则该维度不进行填充。默认为 s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要变换的维度。默认值：所有维度，或者如果给出了 s，则为最后 len(s) 个维度。

• norm (str, optional) –

  归一化模式。对于正向变换（fftn()），对应于

  • "forward" - 归一化因子为1/n

  • "backward" - 无归一化

  • "ortho" - 归一化因子为1/sqrt(n)（使FFT正交）

  其中 n = prod(s) 是逻辑 FFT 大小。使用相同归一化模式调用反向变换（ifftn()）将在两次变换之间应用 1/n 的总体归一化。这使得 ifftn() 成为精确逆变换是必需的。

  默认值为"backward"（无归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fftn = torch.fft.fftn(x)

离散傅里叶变换是可分离的，因此这里的 fftn() 等价于两次一维 fft() 调用

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fftn, two_ffts, check_stride=False)