torch.fft.irfftn

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

計算 rfftn() 的反轉換。

input 被解釋為傅立葉域中的單邊厄米訊號 (Hermitian signal)，如同 rfftn() 所產生的。 根據厄米特性，輸出將會是實數值。

注意

某些輸入頻率必須是實數值才能滿足厄米特性。 在這些情況下，虛數成分將被忽略。 例如，零頻率項中的任何虛數成分都無法在真實輸出中表示，因此始終會被忽略。

注意

厄米輸入的正確解釋取決於原始資料的長度，由 s 給定。 這是因為每個輸入形狀可能對應於奇數或偶數長度的訊號。 預設情況下，訊號被假定為偶數長度，並且奇數訊號將無法正確地往返 (round-trip)。 因此，建議始終傳遞訊號形狀 s。

注意

在 GPU 架構 SM53 或更高版本的 CUDA 上支援 torch.half 和 torch.chalf。 但是，它僅支援在每個轉換維度中訊號長度為 2 的冪次。 使用預設參數，最後一個維度的大小應為 (2^n + 1)，因為參數 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] 將在計算實數 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厄米壓縮維度。 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) –

  正規化模式。 對於反向轉換 (irfftn())，這些對應於

  • "forward" - 無正規化

  • "backward" - 正規化為 1/n

  • "ortho" - 正規化為 1/sqrt(n) (使實數 IFFT 正交)

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

  預設值為 "backward" (正規化為 1/n)。

關鍵字參數

out (Tensor, optional) – 輸出張量。

範例

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

如果不指定 irfft() 的輸出長度，則輸出將無法正確地往返 (round-trip)，因為輸入在最後一個維度中是奇數長度

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

因此，建議始終傳遞訊號形狀 s。

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