Python PyTorch rfft2用法及代码示例

本文简要介绍python语言中 torch.fft.rfft2 的用法。

用法:

torch.fft.rfft2(input, s=None, dim=(- 2, - 1), 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] 将在计算实际 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：最后两个维度。

• norm(str,可选的) -

  标准化模式。对于正向变换(rfft2())，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(使真正的 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 ( irfft2() ) 将在两个变换之间应用 1/n 的整体归一化。这是使 irfft2() 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。

计算实数 input 的二维离散傅里叶变换。等效于 rfftn() ，但默认情况下仅对最后两个维度进行 FFT。

真实信号的 FFT 是埃尔米特对称的 X[i, j] = conj(X[-i, -j]) ，因此完整的 fft2() 输出包含冗余信息。 rfft2() 相反，忽略最后一个维度中的负频率。

示例

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

与 fft2() 的完整输出相比，我们的所有元素都达到了奈奎斯特频率。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

离散傅里叶变换是可分离的，因此这里的rfft2()相当于 fft() 和 rfft() 的组合：

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)