torch.fft.ihfftn

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

计算实数 input 的 N 维逆离散傅里叶变换。

input 必须是实值信号，在傅里叶域中解释。实信号的 n 维逆 FFT 是厄米对称的， X[i, j, ...] = conj(X[-i, -j, ...]) 。 ihfftn() 表示在单边形式中，只包括最后信号维度中低于奈奎斯特频率的正频率。要计算完整输出，请使用 ifftn() 。

注意

支持 CUDA 上使用 GPU 架构 SM53 或更高版本的 torch.half。但是，它只支持在每个变换维度中信号长度的 2 的幂。

参数:

• 输入（张量）- 输入张量

• s (可选的 int 元组) - 变换维度中的信号大小。如果提供，每个维度 dim[i] 在计算 Hermitian IFFT 之前将被零填充或裁剪到长度 s[i] 。如果指定了长度 -1 ，则在该维度中不进行填充。默认： 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（ ihfftn() ），这些对应于：

  • 无规范化

  • "backward" - 通过 1/n 正规化

  • "ortho" - 通过 1/sqrt(n) 进行归一化（使 Hermitian 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（ hfftn() ）将在两个转换之间应用整体归一化 1/n 。这是使 ihfftn() 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

>>> T = torch.rand(10, 10)
>>> ihfftn = torch.fft.ihfftn(T)
>>> ihfftn.size()
torch.Size([10, 6])

与 ifftn() 的完整输出进行比较，我们得到所有直到奈奎斯特频率的元素。

>>> ifftn = torch.fft.ifftn(t)
>>> torch.allclose(ifftn[..., :6], ihfftn)
True

离散傅里叶变换是可分离的，因此 ihfftn() 等价于 ihfft() 和 ifft() 的组合：

>>> two_iffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(ihfftn, two_iffts)
True