torch.fft.hfft2

torch.fft.hfft2(input, s=None, dim=(- 2, - 1), norm=None, *, out=None) → Tensor

计算一个厄米对称信号 input 的二维离散傅里叶变换。相当于 hfftn() ，但默认只变换最后两个维度。

在时域中， input 被解释为单边厄米信号。根据厄米性质，傅里叶变换将是实值。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，但仅支持在每个变换维度上的 2 的幂次信号长度。默认参数下，最后一个维度的尺寸应为(2^n + 1)，因为参数 s 默认为偶数输出大小，即 2 * (last_dim_size - 1)。

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] 在计算厄米 FFT 之前将被零填充或裁剪到长度 s[i] 。如果指定长度 -1 ，则在该维度上不进行填充。默认为最后一个维度上的偶数输出： s[-1] = 2*(input.size(dim[-1]) - 1) 。

• dim (可选的(int 元组) - 要变换的维度。最后一个维度必须是半厄米压缩维度。默认：最后两个维度。

• norm (str, optional) –

  正规化模式。对于正向变换（ hfft2() ），这些对应于：

  • "forward" - 通过 1/n 正规化

  • 无规范化

  • 通过 "ortho" 进行归一化（使 Hermitian FFT 正交归一）

  其中 n = prod(s) 是逻辑 FFT 大小。使用相同的规范化模式（ ihfft2() ）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 ihfft2() 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

从实频域信号开始，我们可以生成一个 Hermitian 对称时域信号：>>> T = torch.rand(10, 9) >>> t = torch.fft.ihfft2(T)

如果没有指定输出长度到 hfftn() ，由于输入在最后一个维度是奇数长度，输出将无法正确往返：

>>> torch.fft.hfft2(t).size()
torch.Size([10, 10])

因此，建议始终传递信号形状 s 。

>>> roundtrip = torch.fft.hfft2(t, T.size())
>>> roundtrip.size()
torch.Size([10, 9])
>>> torch.allclose(roundtrip, T)
True