torch.fft.rfftn#

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

计算实数 input 的 N 维离散傅里叶变换。

实数信号的 FFT 具有厄米对称性（Hermitian-symmetric），即 X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])，因此完整的 fftn() 输出包含冗余信息。rfftn() 则省略了最后一个维度中的负频率部分。

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) – 变换维度中的信号大小。如果给定，则在计算实数 FFT 之前，每个维度 dim[i] 将被零填充或裁剪至长度 s[i]。如果指定的长度为 -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。对于正向变换（rfftn()），这些模式对应于：
- "forward" - 归一化因子为1/n
- "backward" - 无归一化
- "ortho" - 通过 1/sqrt(n) 进行归一化（使实数 FFT 成为正交归一的）
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（irfftn()）时，将在两个变换之间应用总计 1/n 的归一化。这是使 irfftn() 成为精确逆运算所必需的。
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)
>>> rfftn = torch.fft.rfftn(t)
>>> rfftn.size()
torch.Size([10, 6])

与 fftn() 的完整输出相比，我们拥有直至奈奎斯特频率（Nyquist frequency）的所有元素。

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

离散傅里叶变换是可分离的，因此这里的 rfftn() 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(rfftn, two_ffts, check_stride=False)

文档