torch.fft.ifftn

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

計算 input 的 N 維度反離散傅立葉變換。

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的 2 的冪訊號長度。

參數

• input (Tensor) – 輸入張量

• s (Tuple[int], optional) – 轉換後維度的訊號大小。如果給定，每個維度 dim[i] 會在計算 IFFT 之前，補零或修剪至長度 s[i]。如果指定長度 -1，則該維度不會進行填充。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，或如果給定了 s，則為最後 len(s) 個維度。

• norm (str, optional) –

  正規化模式。對於反向轉換 (ifftn())，這些對應於：

  • "forward" - 不進行正規化

  • "backward" - 以 1/n 進行正規化

  • "ortho" - 以 1/sqrt(n) 進行正規化（使 IFFT 成為正交）

  其中 n = prod(s) 是邏輯 IFFT 大小。使用相同正規化模式呼叫正向轉換 (fftn()) 將在兩個轉換之間應用總體正規化 1/n。這是使 ifftn() 成為精確反向轉換所必需的。

  預設值為 "backward" (以 1/n 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)
>>> ifftn = torch.fft.ifftn(x)

離散傅立葉變換是可分離的，所以這裡的 ifftn() 等同於兩個一維 ifft() 呼叫

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)