torch.fft.ihfft2#

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

计算实数输入的二维离散傅里叶变换（Hermitian IFFT）。等同于 ihfftn()，但默认情况下只变换最后两个维度。

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，每个维度 dim[i] 将在计算 Hermitian IFFT 之前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。对于反向变换（ihfft2()），这些对应于：
- "forward" - 无归一化
- "backward" - 按 1/n 归一化
- "ortho" - 按 1/sqrt(n) 归一化（使 Hermitian IFFT 成为标准正交的）
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（hfft2()）将在两次变换之间应用 1/n 的整体归一化。这是使 ihfft2() 成为精确逆运算所必需的。

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，Hermitian 时空信号占用的空间仅为一半。

>>> 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() 相当于 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