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。等效于hfftn()，但默认只转换最后两个维度。

input在时域被解释为单边厄米信号。由于厄米对称性，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 或更高版本。但它仅支持转换维度中2的幂次信号长度。使用默认参数时，最后一个维度的长度应为 (2^n + 1)，因为参数 s 默认值为偶数输出大小 = 2 * (最后一维大小 - 1)

参数

input (Tensor) – 输入张量
s (Tuple[int], optional) – 转换维度中的信号大小。如果给定，则计算厄米 FFT 之前，每个维度 dim[i] 将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。默认为最后一个维度的偶数输出：s[-1] = 2*(input.size(dim[-1]) - 1)。
dim (Tuple[int], optional) – 要转换的维度。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。对于前向变换（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总体归一化 1/n。这是使 ihfft2() 成为精确逆变换所必需的。

默认值为"backward"（无归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

从实数频域信号开始，我们可以生成一个厄米对称时域信号：>>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

在不将输出长度指定给 hfftn() 的情况下，由于最后一个维度上的输入是奇数长度，因此输出不会正确地进行往返

>>> 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

文档