torch.fft.irfft

torch.fft.irfft(input, n=None, dim=- 1, norm=None, *, out=None) → Tensor

计算 rfft() 的逆。

input 在傅里叶域中被解释为单边厄米信号，由 rfft() 生成。根据厄米性质，输出将是实值。

注意

一些输入频率必须是实值以满足厄米性质。在这些情况下，虚部将被忽略。例如，零频率项中的任何虚部都无法在实输出中表示，因此总是会被忽略。

注意

厄米输入的正确解释取决于原始数据的长度，如 n 所示。这是因为每个输入形状可能对应于奇长或偶长信号。默认情况下，假设信号是偶长，奇长信号将无法正确往返。因此，建议始终传递信号长度 n 。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，但仅支持每个变换维度的 2 的幂次信号长度。默认参数下，变换维度的尺寸应为(2^n + 1)，其中参数 n 默认为偶数输出大小= 2 * (transformed_dim_size - 1)。

参数:

• 输入（Tensor）- 表示半厄米信号的输入张量

• n（int，可选）- 输出信号长度。这决定了输出信号的长度。如果指定，输入信号将在计算实 FFT 之前进行零填充或裁剪到这个长度。默认为偶数输出： n=2*(input.size(dim) - 1) 。

• dim（int，可选）- 沿着哪个维度进行一维实 FFT。

• norm (str, optional) –

  归一化模式。对于反向转换（ irfft() ），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（使实 FFT 正交归一）

  使用相同的标准化模式调用正向变换（ rfft() ）将在两个变换之间应用整体标准化 1/n 。这是使 irfft() 成为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.linspace(0, 1, 5)
>>> t
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
>>> T = torch.fft.rfft(t)
>>> T
tensor([ 2.5000+0.0000j, -0.6250+0.8602j, -0.6250+0.2031j])

未指定输出长度为 irfft() ，输出将无法正确往返，因为输入长度为奇数：

>>> torch.fft.irfft(T)
tensor([0.1562, 0.3511, 0.7812, 1.2114])

因此，建议始终传递信号长度 n :

>>> roundtrip = torch.fft.irfft(T, t.numel())
>>> torch.testing.assert_close(roundtrip, t, check_stride=False)