torch.fft.ifftn

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

Вычисляет N-мерное обратное дискретное преобразование Фурье от input.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако он поддерживает только длину сигнала, являющуюся степенью 2, 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 обрезано до длины s[i] перед вычислением обратного преобразования Фурье. Если длина -1 задана, дополнение в этом измерении не выполняется. Значение по умолчанию: s = [input.size(d) for d in dim]
• dim (Кортеж[int], необязательно) – Измерения, которые должны быть преобразованы. Значение по умолчанию: все измерения или последние len(s) измерения, если s задано.

• norm (строка, необязательно) –

  Режим нормализации. Для обратного преобразования (ifftn()), они соответствуют:

  • "forward" - без нормализации
  • "backward" - нормализовать на 1/n
  • "ortho" - нормализовать на 1/sqrt(n) (делая обратное преобразование Фурье ортогональным)

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

  Значение по умолчанию "backward" (нормализовать на 1/n).

Ключевые аргументы:

out (Тензор, необязательно) – выходной тензор.

Пример

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

Дискретное преобразование Фурье является разделяемым, поэтому ifftn() здесь эквивалентно двум одномерным вызовам ifft():

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifftn, two_iffts, check_stride=False)