torch.fft.ifftn#

torch.fft.ifftn(input, s=None, dim=None, norm=None, *, out=None) → Tensor#

计算 input 的 N 维离散傅里叶逆变换。

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。如果给出，则在计算 IFFT 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，则在该维度上不进行填充。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，或者如果给出了 s，则为最后 len(s) 个维度。
norm (str, optional) –
归一化模式。对于反向变换（ifftn()），这些对应于
- "forward" - 无归一化
- "backward" - 按 1/n 归一化
- "ortho" - 归一化因子为 1/sqrt(n)（使 IFFT 变为正交变换）
其中 n = prod(s) 是逻辑 IFFT 大小。使用相同的归一化模式调用正向变换（fftn()）将在两次变换之间应用 1/n 的总体归一化。这对于使 ifftn() 成为精确的逆变换是必需的。

默认为 "backward"（按 1/n 归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> ifftn = torch.fft.ifftn(x)

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

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)

文档