torch.fft.fft2#

torch.fft.fft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor#

计算 input 的二维离散傅里叶变换。等同于 fftn()，但默认情况下仅对最后两个维度进行FFT。

注意

任何实信号的傅里叶域表示都满足厄米特性：X[i, j] = conj(X[-i, -j])。此函数始终返回所有正频率和负频率项，即使对于实输入，其中一半的值是冗余的。 rfft2() 返回更紧凑的单边表示，其中仅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) – 变换维度的信号大小。如果给出，每个维度 dim[i] 在计算FFT之前将被零填充或修剪到长度 s[i]。如果指定长度为 -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。默认为最后两个维度。
norm (str, optional) –
归一化模式。对于正向变换（fft2()），这些对应于
- "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。使用相同的归一化模式调用反向变换（ifft2()）将在两个变换之间应用整体归一化 1/n。这对于使 ifft2() 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)
>>> fft2 = torch.fft.fft2(x)

离散傅里叶变换是可分离的，因此这里的 fft2() 等同于两次一维 fft() 调用

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)

文档