torch.fft.rfft2#

torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor#

计算实数input的二维离散傅里叶变换。等同于rfftn()，但默认只对最后两个维度进行FFT。

实数信号的FFT是厄米对称的，X[i, j] = conj(X[-i, -j])，因此完整的fft2()输出包含冗余信息。rfft2()而是省略了最后一个维度的负频率。

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。如果给出，则每个维度dim[i]在计算实数FFT之前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：最后两个维度。
norm (str, optional) –
归一化模式。对于前向变换（rfft2()），这些对应于
- "forward" - 归一化因子为1/n
- "backward" - 无归一化
- "ortho" - 按1/sqrt(n)归一化（使实数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（irfft2()）将在两次变换之间应用1/n的总体归一化。这是使irfft2()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

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

与fft2()的完整输出相比，我们得到了奈奎斯特频率 পর্যন্ত所有元素。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

离散傅里叶变换是可分离的，因此这里的rfft2()等同于fft()和rfft()的组合

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)

文档