torch.fft.hfft2

torch.fft.hfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

計算 Hermitian 對稱 input 訊號的二維離散傅立葉變換。等同於 hfftn()，但預設情況下僅轉換最後兩個維度。

input 在時域中被解釋為單邊 Hermitian 訊號。 根據 Hermitian 特性，傅立葉變換將是實數值。

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 的冪次方。使用預設引數時，最後一個維度的大小應為 (2^n + 1)，因為引數 s 預設為偶數輸出大小 = 2 * (last_dim_size - 1)。

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 Hermitian 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。 預設為最後一個維度的偶數輸出：s[-1] = 2*(input.size(dim[-1]) - 1)。

• dim (Tuple[int], optional) – 要轉換的維度。 最後一個維度必須是半 Hermitian 壓縮維度。 預設值：最後兩個維度。

• norm (str, optional) –

  正規化模式。 對於正向轉換 (hfft2())，這些對應於

  • "forward" - 按 1/n 正規化

  • "backward" - 無正規化

  • "ortho" - 按 1/sqrt(n) 正規化 (使 Hermitian 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 (ihfft2()) 將在兩個轉換之間應用 1/n 的整體正規化。 這是使 ihfft2() 成為精確逆轉換所必需的。

  預設值為 "backward" (無正規化)。

關鍵字引數

out (Tensor, optional) – 輸出張量。

範例

從實數頻域訊號開始，我們可以產生一個 Hermitian 對稱時域訊號： >>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

如果不指定 hfftn() 的輸出長度，則輸出將無法正確進行往返，因為輸入在最後一個維度中是奇數長度

>>> torch.fft.hfft2(t).size()
torch.Size([10, 10])

因此，建議始終傳遞訊號形狀 s。

>>> roundtrip = torch.fft.hfft2(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True