torch.fft.hfft2#
- torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) Tensor #
计算厄米对称
input
信号的二维离散傅里叶变换。等价于hfftn()
,但默认只变换最后两个维度。input
被解释为时域中的一侧厄米信号。根据厄米性质,傅里叶变换将是实值。注意
支持 CUDA 上的 torch.half 和 torch.chalf(GPU 架构 SM53 或更高)。但是,它仅支持每个变换维度中 2 的幂次信号长度。使用默认参数时,最后一个维度的大小应为 (2^n + 1),因为参数 s 默认为偶数输出大小 = 2 * (last_dim_size - 1)。
- 参数
input (Tensor) – 输入张量
s (Tuple[int], optional) – 变换维度的信号大小。如果给定,则每个维度
dim[i]
将在计算厄米FFT之前被零填充或截断到长度s[i]
。如果指定长度为-1
,则在该维度上不进行填充。默认情况下,在最后一个维度上进行偶数输出:s[-1] = 2*(input.size(dim[-1]) - 1)
。dim (Tuple[int], optional) – 要变换的维度。最后一个维度必须是半厄米压缩维度。默认:最后两个维度。
norm (str, optional) –
归一化模式。对于正向变换(
hfft2()
),这些对应于"forward"
- 归一化因子为1/n
"backward"
- 无归一化"ortho"
- 归一化为1/sqrt(n)
(使厄米 FFT 正交)
其中
n = prod(s)
是逻辑FFT大小。使用相同的归一化模式调用反向变换(ihfft2()
)将在两个变换之间应用1/n
的整体归一化。这对于使ihfft2()
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
从实频域信号开始,我们可以生成一个厄米对称的时域信号:>>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)
如果不向
hfftn()
指定输出长度,则输入在最后一个维度上是奇数长度,因此输出将无法正确地进行往返。>>> torch.fft.hfft2(t).size() torch.Size([10, 10])
因此,建议始终传递信号形状
s
。>>> roundtrip = torch.fft.hfft2(t, T.size()) >>> roundtrip.size() torch.Size([10, 9]) >>> torch.allclose(roundtrip, T) True