torch.fft.ihfftn

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

計算實數 input 的 N 維度離散傅立葉反轉換。

input 必須是實數值的訊號，在傅立葉域中進行解讀。實數訊號的 n 維度 IFFT 是 Hermitian 對稱的，X[i, j, ...] = conj(X[-i, -j, ...])。ihfftn() 以單邊形式表示，其中只有低於奈奎斯特頻率的正頻率包含在最後一個訊號維度中。要計算完整的輸出，請使用 ifftn()。

注意

在 CUDA 上支援 torch.half，但 GPU 架構須為 SM53 或更高版本。然而，它僅支援每個轉換維度中訊號長度為 2 的冪次。

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，則每個維度 dim[i] 將在計算 Hermitian IFFT 之前，以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，或者如果給定 s，則為最後 len(s) 個維度。

• norm (str, optional) –

  標準化模式。對於反向轉換 (ihfftn())，這些對應於

  • "forward" - 無標準化

  • "backward" - 按 1/n 標準化

  • "ortho" - 按 1/sqrt(n) 標準化（使 Hermitian IFFT 正交）

  其中 n = prod(s) 是邏輯 IFFT 大小。使用相同的標準化模式調用正向轉換 (hfftn()) 將在兩個轉換之間應用總體標準化 1/n。這是使 ihfftn() 成為精確反轉換所必需的。

  預設值為 "backward"（按 1/n 標準化）。

關鍵字參數

out (Tensor, optional) – 輸出張量。

範例

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

與 ifftn() 的完整輸出相比，我們擁有直到奈奎斯特頻率的所有元素。

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

離散傅立葉轉換是可分離的，因此此處的 ihfftn() 等同於 ihfft() 和 ifft() 的組合

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
True