torch.fft.ifftn

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

计算 N 维离散傅里叶变换 input 的逆变换。

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 (Tuple[int], optional) – 信号在变换维度的大小。如果提供，每个维度 dim[i] 在计算逆 FFT 之前将被填充或裁剪到长度 s[i] 。如果指定长度 -1 ，则在该维度不进行填充。默认： s = [input.size(d) for d in dim]

• dim（元组[int]，可选）- 要转换的维度。默认：所有维度，或给定 s 时的最后一个 len(s) 维度。

• norm (str, optional) –

  归一化模式。对于反向转换（ ifftn() ），这些对应于：

  • 无规范化

  • "backward" - 通过 1/n 正规化

  • "ortho" - 通过 1/sqrt(n) 归一化（使 IFFT 正交归一）

  其中 n = prod(s) 是逻辑 IFFT 大小。使用相同的归一化模式调用正向转换（ fftn() ）将在两个转换之间应用整体归一化 1/n 。这是使 ifftn() 精确逆变换所必需的。

  默认为 "backward" （通过 1/n 进行规范化）。

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)
>>> ifftn = torch.fft.ifftn(x)

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

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)