评价此页

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