复数¶
复数是可以表示为 形式的数，其中 a 和 b 是实数， 而 j 被称为虚数单位，它满足方程 。复数在数学和 工程中经常出现，特别是在信号处理等主题中。传统上，许多用户和库（例如，TorchAudio）通过将数据表示为形状为 的浮点张量来处理复数，其中最后一个 维度包含实部和虚部。
在处理复数时，复数数据类型的张量提供了更自然的用户体验。复数张量的操作（例如，torch.mv()，torch.matmul()）可能比模仿它们的浮点张量操作更快且更节省内存。PyTorch中涉及复数的操作经过优化，以使用向量化汇编指令和专用内核（例如，LAPACK，cuBlas）。
注意
在 torch.fft 模块中的光谱操作支持原生复数张量。
警告
复杂张量是一个测试版功能，可能会发生变化。
创建复杂张量¶
我们支持两种复数数据类型：torch.cfloat 和 torch.cdouble
>>> x = torch.randn(2,2, dtype=torch.cfloat)
>>> x
张量([[-0.4621-0.0303j, -0.2438-0.5874j],
[ 0.7706+0.1421j, 1.2110+0.1918j]])
注意
复数张量的默认数据类型由默认的浮点数据类型决定。 如果默认的浮点数据类型是torch.float64，那么复数将被推断为torch.complex128的数据类型，否则它们将被假定为torch.complex64的数据类型。
除了 torch.linspace()、torch.logspace() 和 torch.arange() 之外的所有工厂函数都支持复数张量。
从旧表示的过渡¶
目前使用形状为 的实张量来绕过缺少复杂张量的用户，可以轻松地在他们的代码中使用复杂张量，使用 torch.view_as_complex()
和 torch.view_as_real()。请注意，这些函数不会执行任何复制操作，并返回输入张量的视图。
>>> x = torch.randn(3, 2)
>>> x
张量([[ 0.6125, -0.1681],
[-0.3773, 1.3487],
[-0.0861, -0.7981]])
>>> y = torch.view_as_complex(x)
>>> y
张量([ 0.6125-0.1681j, -0.3773+1.3487j, -0.0861-0.7981j])
>>> torch.view_as_real(y)
张量([[ 0.6125, -0.1681],
[-0.3773, 1.3487],
[-0.0861, -0.7981]])
访问实部和虚部¶
复数张量的实部和虚部可以通过 real 和
imag 访问。
注意
访问real和imag属性不会分配任何内存，并且在real和imag张量上的就地更新将更新原始复数张量。此外，返回的real和imag张量不是连续的。
>>> y.real
张量([ 0.6125, -0.3773, -0.0861])
>>> y.imag
张量([-0.1681, 1.3487, -0.7981])
>>> y.real.mul_(2)
张量([ 1.2250, -0.7546, -0.1722])
>>> y
张量([ 1.2250-0.1681j, -0.7546+1.3487j, -0.1722-0.7981j])
>>> y.real.stride()
(2,)
角度和绝对值¶
可以使用 torch.angle() 和
torch.abs() 计算复数张量的角度和绝对值。
>>> x1=torch.tensor([3j, 4+4j])
>>> x1.abs()
张量([3.0000, 5.6569])
>>> x1.angle()
张量([1.5708, 0.7854])
线性代数¶
许多线性代数操作，如 torch.matmul()、torch.linalg.svd()、torch.linalg.solve() 等，都支持复数。
如果您想请求我们目前不支持的操作，请先 搜索 是否已有相关问题，如果没有，请 提交一个。
序列化¶
复数张量可以被序列化，允许数据以复数值的形式保存。
>>> torch.save(y, 'complex_tensor.pt')
>>> torch.load('complex_tensor.pt')
张量([ 0.6125-0.1681j, -0.3773+1.3487j, -0.0861-0.7981j])
