torch.fft.irfft

torch.fft.irfft(input, n=None, dim=-1, norm=None, *, out=None) → Tensor

计算 rfft() 的逆运算。

input 被解释为傅里叶域中的单侧厄米信号，正如 rfft() 所生成的。根据厄米性质，输出将是实数值。

注意

为了满足厄米性质，某些输入频率必须是实数值。在这些情况下，虚部将被忽略。例如，零频率项中的任何虚部都无法在实数输出中表示，因此将始终被忽略。

注意

厄米输入的正确解释取决于原始数据的长度，如 n 所示。这是因为每个输入形状都可以对应于奇数或偶数长度的信号。默认情况下，假定信号为偶数长度，奇数信号将无法正确往返。因此，建议始终传入信号长度 n。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，GPU 架构 SM53 或更高版本。但它仅支持在每个变换维度上的 2 的幂次方信号长度。使用默认参数时，变换维度的尺寸应为 (2^n + 1)，因为参数 n 默认为偶数输出大小 = 2 * (变换维度大小 - 1)

参数

• input (Tensor) – 代表半厄米信号的输入张量

• n (int, optional) – 输出信号长度。这决定了输出信号的长度。如果给定，输入将在计算实数 IFFT 之前被零填充或修剪到此长度。默认为偶数输出：n=2*(input.size(dim) - 1)。

• dim (int, optional) – 沿哪个维度执行一维实数 IFFT。

• norm (str, optional) –

  归一化模式。对于反向变换（irfft()），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（使实值 IFFT 正交化）

  使用相同的归一化模式调用正向变换（rfft()）将在两次变换之间应用整体归一化 1/n。这对于使 irfft() 成为精确的逆运算是必需的。

  默认为 "backward"（按 1/n 归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

示例

>>> t = torch.linspace(0, 1, 5)
>>> t
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
>>> T = torch.fft.rfft(t)
>>> T
tensor([ 2.5000+0.0000j, -0.6250+0.8602j, -0.6250+0.2031j])

在 irfft() 中不指定输出长度，输出将无法正确往返，因为输入是奇数长度

>>> torch.fft.irfft(T)
tensor([0.1562, 0.3511, 0.7812, 1.2114])

因此，建议始终传入信号长度 n

>>> roundtrip = torch.fft.irfft(T, t.numel())
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)