torch.fft.fftn

torch.fft.fftn(input, s=None, dim=None, norm=None, *, out=None) → 张量

计算输入的N维离散傅里叶变换。

注意

任何实信号的傅里叶域表示都满足厄米特性：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函数始终返回所有正频率和负频率项，即使对于实输入，这些值的一半是冗余的。 rfftn()返回更紧凑的单边表示，其中仅返回最后一个维度的正频率。

注意

支持在CUDA上使用GPU架构SM53或更高版本的torch.half和torch.chalf。 然而，它仅支持在每个变换维度中信号长度为2的幂次方。

Parameters

• 输入 (张量) – 输入张量

• s (Tuple[int], 可选) – 变换维度中的信号大小。 如果给出，每个维度 dim[i] 将在计算FFT之前被零填充或 修剪到长度 s[i]。 如果指定了长度 -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], 可选) – 要转换的维度。 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 (fftn())，这些对应于：

  • "forward" - 归一化因子为 1/n

  • "backward" - 不进行归一化

  • "ortho" - 归一化因子为 1/sqrt(n)（使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 (ifftn()) 将在两次变换之间应用总体归一化因子 1/n。 这是为了使 ifftn() 成为精确的逆变换。

  默认值为 "backward"（不进行归一化）。

Keyword Arguments

输出 (张量, 可选) – 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fftn = torch.fft.fftn(x)

离散傅里叶变换是可分离的，因此这里的fftn() 等价于两个一维的fft()调用：

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fftn, two_ffts, check_stride=False)