torch.fft.fft2

torch.fft.fft2(input, s=None, dim=(- 2, - 1), norm=None, *, out=None) → Tensor

Вычисляет двумерное дискретное преобразование Фурье для input. Эквивалентно fftn(), но по умолчанию вычисляет БПФ только по двум последним измерениям.

Примечание

Представление в частотной области любого вещественного сигнала удовлетворяет свойству эрмитовости: X[i, j] = conj(X[-i, -j]). Эта функция всегда возвращает все положительные и отрицательные частотные составляющие, даже если для вещественных входных данных половина этих значений избыточна. rfft2() возвращает более компактное одностороннее представление, где возвращаются только положительные частоты последнего измерения.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако он поддерживает только длину сигнала, являющуюся степенью двойки, во всех преобразуемых измерениях.

Параметры:

• input (Тензор) – входной тензор
• s (Кортеж[int], необязательно) – Размер сигнала в преобразуемых измерениях. Если задано, каждое измерение dim[i] будет либо дополнено нулями, либо усечено до длины s[i] перед вычислением БПФ. Если задана длина -1, заполнение нулями в этом измерении не выполняется. Значение по умолчанию: s = [input.size(d) for d in dim]
• dim (Кортеж[int], необязательно) – Измерения, которые нужно преобразовать. Значение по умолчанию: два последних измерения.

• norm (строка, необязательно) –

  Режим нормализации. Для прямого преобразования (fft2()), они соответствуют:

  • "forward" - нормализуется по 1/n
  • "backward" - без нормализации
  • "ortho" - нормализуется по 1/sqrt(n) (что делает БПФ ортогональным)

  Где n = prod(s) - логический размер БПФ. Вызов обратного преобразования (ifft2()) с тем же режимом нормализации применит общую нормализацию 1/n между двумя преобразованиями. Это необходимо, чтобы ifft2() было точным обратным преобразованием.

  Значение по умолчанию: "backward" (без нормализации).

Ключевые аргументы:

out (Тензор, необязательно) – выходной тензор.

Пример

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> fft2 = torch.fft.fft2(x)

Дискретное преобразование Фурье является разделимым, поэтому fft2() здесь эквивалентно двум одномерным вызовам fft():

>>> two_ffts = torch.fft.fft(torch.fft.fft(x, dim=0), dim=1)
>>> torch.testing.assert_close(fft2, two_ffts, check_stride=False)