torch.fft.fft2

torch.fft.fft2(input, s=None, dim=(- 2, - 1), norm=None, *, out=None) → Tensor

计算二维离散傅里叶变换 input 。等同于 fftn() ，但默认情况下只对最后两个维度进行 FFT。

注意

任何实信号的傅里叶域表示都满足厄米特性质： X[i, j] = conj(X[-i, -j]) 。此函数始终返回所有正频率和负频率项，尽管对于实数输入，其中一半的值是冗余的。 rfft2() 返回更紧凑的单边表示，其中只返回最后维度的正频率。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，但仅支持在 GPU 架构 SM53 或更高版本上。然而，它只支持每个变换维度的 2 的幂次信号长度。

参数:

• 输入（张量）- 输入张量

• s (可选的(int 元组) - 变换维度的信号大小。如果提供，每个维度 dim[i] 在计算 FFT 之前将根据 s[i] 进行零填充或裁剪。如果指定了长度 -1 ，则在该维度上不进行填充。默认： s = [input.size(d) for d in dim]

• dim (Tuple[int], optional) – 要变换的维度。默认：最后两个维度。

• norm (str, optional) –

  正规化模式。对于正向变换（ fft2() ），这些对应于：

  • "forward" - 通过 1/n 正规化

  • 无规范化

  • 通过 1/sqrt(n) 进行规范化（使 FFT 正交归一化）

  其中 n = prod(s) 是逻辑 FFT 大小。使用相同的规范化模式（ ifft2() ）调用反向变换将应用两个变换之间的整体规范化 1/n 。这是使 ifft2() 成为精确逆变换所必需的。

  默认为 "backward" （无规范化）。

关键字参数:

输出（张量，可选）- 输出张量。

示例

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fft2 = torch.fft.fft2(x)

离散傅里叶变换是可分离的，因此 fft2() 在这里相当于两次一维 fft() 调用：

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)