torch.fft.ihfft2

torch.fft.ihfft2(input, s=None, dim=(- 2, - 1), norm=None, *, out=None) → Tensor

Вычисляет двумерное обратное дискретное преобразование Фурье вещественного input. Эквивалентно ihfftn(), но преобразует только две последние размерности по умолчанию.

Примечание

Поддерживает torch.half на CUDA с архитектурой GPU SM53 или выше. Однако он поддерживает только длины сигнала, являющиеся степенями двойки, во всех преобразуемых размерностях.

Параметры:

• input (Тензор) – входной тензор
• s (Кортеж[int], необязательно) – Размер сигнала в преобразуемых размерностях. Если задан, каждая размерность dim[i] будет либо дополнена нулями, либо обрезана до длины s[i] перед вычислением обратного преобразования Гермита IFFT. Если указана длина -1, дополнение нулями в этой размерности не выполняется. По умолчанию: s = [input.size(d) for d in dim]
• dim (Кортеж[int], необязательно) – Размерности, которые необходимо преобразовать. По умолчанию: две последние размерности.

• norm (str, необязательно) –

  Режим нормализации. Для обратного преобразования (ihfft2()), они соответствуют:

  • "forward" - без нормализации
  • "backward" - нормализация на 1/n
  • "ortho" - нормализация на 1/sqrt(n) (что делает обратное преобразование Гермита IFFT ортогональным)

  Где n = prod(s) - логический размер IFFT. Вызов прямого преобразования (hfft2()) с тем же режимом нормализации применит общую нормализацию 1/n между двумя преобразованиями. Это необходимо, чтобы ihfft2() являлся точным обратным.

  По умолчанию "backward" (нормализация на 1/n).

Ключевые аргументы:

out (Тензор, необязательно) – выходной тензор.

Пример

>>> T = torch.rand(10, 10)
>>> t = torch.fft.ihfft2(t)
>>> t.size()
torch.Size([10, 6])

В сравнении с полным выходом из ifft2(), сигнал Гермита в временной области занимает только половину места.

>>> fftn = torch.fft.ifft2(t)
>>> torch.allclose(fftn[..., :6], rfftn)
True

Дискретное преобразование Фурье является разделимым, поэтому ihfft2() здесь эквивалентно комбинации ifft() и ihfft():

>>> two_ffts = torch.fft.ifft(torch.fft.ihfft(t, dim=1), dim=0)
>>> torch.allclose(t, two_ffts)
True