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性质：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函数总是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。rfftn()返回更紧凑的单边表示，其中仅返回最后一个维度中的正频率。

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。如果给定，则在计算FFT之前，dim[i]维度将被零填充或截断为长度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：所有维度，如果给出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()），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（ifftn()）将在两次变换之间应用整体1/n的归一化。这对于使ifftn()成为精确的逆变换是必需的。

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()等同于两个一维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)

文档