torch.fft.rfft2¶

torch.fft.rfft2(input, s=None, dim=(- 2, - 1), norm=None, *, out=None) → Tensor¶

计算实数 input 的二维离散傅里叶变换。相当于 rfftn() ，但默认只对最后两个维度进行 FFT 变换。

实际信号的 FFT 是厄米对称的，因此完整的输出包含冗余信息。相反，它省略了最后一个维度中的负频率。

注意

支持 CUDA 上的 torch.half，且 GPU 架构 SM53 或更高。然而，它只支持在每个变换维度上的 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) - 变换维度中的信号大小。如果提供，每个维度在计算实 FFT 之前将根据长度进行零填充或裁剪。如果指定了长度，则在该维度上不进行填充。默认值： 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（ rfft2() ），这些对应于：
- "forward" - 通过 1/n 正规化
- 无规范化
- "ortho" - 通过 1/sqrt(n) 进行归一化（使实 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（ irfft2() ）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 irfft2() 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

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

与 fft2() 的完整输出相比，我们包含了所有直到奈奎斯特频率的元素。

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

离散傅里叶变换是可分离的，因此 rfft2() 等价于 fft() 和 rfft() 的组合：

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)

文档