torch.fft.rfftn¶

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

计算实数 input 的 N 维离散傅里叶变换。

实际信号的 FFT 是厄米对称的， X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n]) 因此完整 fftn() 的输出包含冗余信息。 rfftn() 而在最后一个维度中省略了负频率。

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 (Tuple[int], optional) – 变换维度的信号大小。如果提供，每个维度 dim[i] 在计算真实 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) –
正规化模式。对于正向变换（ rfftn() ），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（使真实 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（ irfftn() ）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 irfftn() 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)
>>> rfftn = torch.fft.rfftn(t)
>>> rfftn.size()
torch.Size([10, 6])

与 fftn() 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。

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

离散傅里叶变换是可分离的，因此 rfftn() 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(rfftn, two_ffts, check_stride=False)

文档