Python PyTorch fftn用法及代码示例

本文简要介绍python语言中 torch.fft.fftn 的用法。

用法:

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

参数：

• input(Tensor) -输入张量

• s(元组[int],可选的) -转换维度中的信号大小。如果给定，每个维度 dim[i] 将在计算 FFT 之前补零或修剪到长度 s[i]。如果指定了长度-1，则在该维度中不进行填充。默认值：s = [input.size(d) for d in dim]

• dim(元组[int],可选的) -要转换的维度。默认值：所有维度，或者如果给出s，则为最后一个len(s) 维度。

• norm(str,可选的) -

  标准化模式。对于正向变换(fftn())，这些对应于：

  • "forward" - 通过 1/n 标准化

  • "backward" - 没有标准化

  • "ortho" - 通过1/sqrt(n) 归一化(使 FFT 正交化)

  其中 n = prod(s) 是逻辑 FFT 大小。使用相同的归一化模式调用反向变换 ( ifftn() ) 将在两个变换之间应用 1/n 的整体归一化。这是使 ifftn() 完全相反所必需的。

  默认为"backward"(无规范化)。

关键字参数：

out(Tensor,可选的) -输出张量。

计算 input 的 N 维离散傅里叶变换。

注意

任何实数信号的傅立叶域表示都满足埃尔米特性质：X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])。此函数始终返回所有正频率项和负频率项，即使对于实际输入，这些值的一半是多余的。 rfftn() 返回更紧凑的单侧表示，其中仅返回最后一个维度的正频率。

示例

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

离散傅里叶变换是可分离的，因此这里的fftn()相当于两个一维的 fft() 调用：

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