torch.fft.fftn

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

計算 input 的 N 維離散傅立葉變換。

注意

任何實數訊號的傅立葉域表示都滿足埃爾米特性質：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。 即使對於實數輸入，這些值的一半是冗餘的，此函數總是返回所有正負頻率項。 rfftn() 返回更緊湊的單邊表示，其中僅返回最後一個維度的正頻率。

注意

在 GPU 架構 SM53 或更高版本的 CUDA 上支援 torch.half 和 torch.chalf。 但是，它僅支援每個轉換維度中訊號長度為 2 的冪。

參數

• input (Tensor) – 輸入張量

• s (Tuple[int], optional) – 轉換維度中的訊號大小。 如果給定，每個維度 dim[i] 將在計算 FFT 之前被零填充或修剪到長度 s[i]。 如果指定長度 -1，則不會在該維度中進行填充。 預設值： s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要轉換的維度。 預設值：所有維度，如果給定了 s，則為最後 len(s) 個維度。

• norm (str, optional) –

  正規化模式。 對於正向轉換 (fftn())，這些對應於

  • "forward" - 按 1/n 正規化

  • "backward" - 不進行正規化

  • "ortho" - 按 1/sqrt(n) 正規化（使 FFT 正交）

  其中 n = prod(s) 是邏輯 FFT 大小。 使用相同的正規化模式呼叫反向轉換 (ifftn()) 將在兩個轉換之間應用 1/n 的總體正規化。 這是使 ifftn() 成為精確逆變換所必需的。

  預設值為 "backward" (不進行正規化)。

關鍵字參數

out (Tensor, optional) – 輸出張量。

範例

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

離散傅立葉轉換是可分離的，因此此處的 fftn() 等效於兩個一維 fft() 呼叫

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