torch.fft.ihfft2#

torch.fft.ihfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor#

计算实数 input 的二维离散傅里叶逆变换。等同于 ihfftn()，但默认只转换最后两个维度。

注意

支持CUDA上的torch.half（GPU架构SM53或更高）。但是它只支持每个转换维度中2的幂次信号长度。

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，则在计算厄米特 IFFT 之前，每个维度 dim[i] 将会被零填充或截断到长度 s[i]。如果指定长度为 -1，则该维度不进行填充。默认值：s = [input.size(d) for d in dim]
dim (Tuple[int], optional) – 要变换的维度。默认值：最后两个维度。
norm (str, optional) –
归一化模式。对于后向变换（ihfft2()），这些对应于
- "forward" - 无归一化
- "backward" - 按 1/n 归一化
- "ortho" - 通过 1/sqrt(n) 进行归一化（使厄米特 IFFT 变为正交归一化）
其中 n = prod(s) 是逻辑 IFFT 大小。使用相同的归一化模式调用前向变换（hfft2()）将在两次变换之间应用 1/n 的整体归一化。这是使 ihfft2() 成为精确逆变换所必需的。

默认为 "backward"（按 1/n 归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> T = torch.rand(10, 10)
>>> t = torch.fft.ihfft2(t)
>>> t.size()
torch.Size([10, 6])

与 ifft2() 的完整输出相比，厄米特时空信号只占一半的空间。

>>> fftn = torch.fft.ifft2(t)
>>> torch.allclose(fftn[..., :6], rfftn)
True

离散傅里叶变换是可分离的，因此这里的 ihfft2() 等同于 ifft() 和 ihfft() 的组合。

>>> two_ffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(t, two_ffts)
True

文档