Python PyTorch rfftn用法及代码示例

本文简要介绍python语言中 torch.fft.rfftn 的用法。

用法:

torch.fft.rfftn(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：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(rfftn())，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 ( irfftn() ) 将在两个变换之间应用 1/n 的整体归一化。这是使 irfftn() 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 N 维离散傅里叶变换。

真实信号的 FFT 是埃尔米特对称的，X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n])，因此完整的 fftn() 输出包含冗余信息。 rfftn() 相反，忽略最后一个维度中的负频率。

示例

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

与 fftn() 的完整输出相比，我们的所有元素都达到了奈奎斯特频率。

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

离散傅里叶变换是可分离的，因此这里的rfftn()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(rfftn, two_ffts, check_stride=False)