Table of Contents
Shortcuts

torch.fft.irfft2

torch.fft.irfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → 张量

计算 rfft2() 的逆变换。 等价于 irfftn()，但默认情况下只对最后两个维度进行逆傅里叶变换。

input 在傅里叶域中被解释为一个单边厄米信号，如由 rfft2() 生成。由于厄米性质，输出将是实值的。

注意

某些输入频率必须是实数值以满足厄米特性。在这些情况下，虚部将被忽略。例如，零频率项中的任何虚部在实数输出中无法表示，因此总是会被忽略。

注意

Hermitian输入的正确解释取决于原始数据的长度，如s所给定的。这是因为每个输入形状可能对应于奇数或偶数长度的信号。默认情况下，信号被假定为偶数长度，奇数信号将无法正确往返。因此，建议始终传递信号形状s。

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，它仅支持每个变换维度中信号长度为2的幂次方。 使用默认参数时，最后一个维度的大小应为(2^n + 1)，因为参数s默认为偶数输出大小 = 2 * (last_dim_size - 1)

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] 将在计算实数FFT之前被零填充或 修剪到长度 s[i]。 如果指定长度 -1，则在该维度上不进行填充。 默认情况下，最后一个维度输出为偶数： s[-1] = 2*(input.size(dim[-1]) - 1)。

  • dim (Tuple[int], 可选) – 要转换的维度。 最后一个维度必须是半厄米压缩维度。 默认值：最后两个维度。

  • norm (str, optional) –

    归一化模式。对于反向变换 (irfft2()), 这些对应于:

    • "forward" - 无归一化

    • "backward" - 归一化因子为 1/n

    • "ortho" - 归一化因子为 1/sqrt(n) (使实数IFFT正交)

    其中 n = prod(s) 是逻辑IFFT大小。 调用正向变换 (rfft2()) 并使用相同的 归一化模式将在两次变换之间应用总体归一化因子 1/n。这是为了使 irfft2() 成为精确的逆变换。

    默认值为 "backward" (归一化因子为 1/n)。

Keyword Arguments

输出 (张量, 可选) – 输出张量。

示例

>>> t = torch.rand(10, 9)
>>> T = torch.fft.rfft2(t)

如果不指定输出长度给 irfft2()，输出将无法正确往返，因为输入在最后一个维度上是奇数长度：

>>> torch.fft.irfft2(T).size()
torch.Size([10, 8])

因此，建议始终传递信号形状 s。

>>> roundtrip = torch.fft.irfft2(T, t.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)
优云智算