Table of Contents
Shortcuts

torch.fft.ihfftn

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

计算实数输入的N维逆离散傅里叶变换。

input 必须是一个实值信号，在傅里叶域中解释。 实信号的 n 维 IFFT 是厄米特对称的， X[i, j, ...] = conj(X[-i, -j, ...])。ihfftn() 表示 这在单边形式中，其中仅包含低于奈奎斯特频率的正频率在最后一个信号维度中。要计算 完整输出，请使用 ifftn()。

注意

支持在具有 GPU 架构 SM53 或更高版本的 CUDA 上使用 torch.half。 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。 如果给定，每个维度 dim[i] 将在计算厄米特逆傅里叶变换之前被零填充或 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。对于反向变换 (ihfftn()), 这些对应于:

    • "forward" - 不进行归一化

    • "backward" - 按 1/n 归一化

    • "ortho" - 按 1/sqrt(n) 归一化 (使 Hermitian IFFT 正交)

    其中 n = prod(s) 是逻辑 IFFT 大小。 调用正向变换 (hfftn()) 并使用相同的 归一化模式将在两次变换之间应用 1/n 的总体归一化。这是为了使 ihfftn() 成为精确的逆变换。

    默认是 "backward" (按 1/n 归一化)。

Keyword Arguments

输出 (张量, 可选) – 输出张量。

示例

>>> T = torch.rand(10, 10)
>>> ihfftn = torch.fft.ihfftn(T)
>>> ihfftn.size()
torch.Size([10, 6])

与ifftn()的完整输出相比，我们包含了所有达到奈奎斯特频率的元素。

>>> ifftn = torch.fft.ifftn(t)
>>> torch.allclose(ifftn[..., :6], ihfftn)
True

离散傅里叶变换是可分离的，因此ihfftn() 这里等价于ihfft()和 ifft()的组合：

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
真
优云智算