torch.fft.fftn

torch.fft.fftn(input, s=None, dim=None, norm=None, *, out=None) → Tensor [исходный код]

Вычисляет N-мерное дискретное преобразование Фурье input.

Примечание

Представление любого вещественного сигнала в частотной области обладает свойством эрмитовой симметрии: X[i_1, ..., i_n] = conj(X[-i_1, ..., -i_n]). Эта функция всегда возвращает все положительные и отрицательные частотные составляющие, хотя для вещественных входных данных половина этих значений избыточна. rfftn() возвращает более компактное одностороннее представление, в котором возвращаются только положительные частоты последнего измерения.

Примечание

Поддерживаются torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако поддерживаются только длины сигнала, равные степеням двойки, во всех преобразуемых измерениях.

Параметры:

• input (Tensor) – входной тензор
• s (Tuple[int], optional) – Размер сигнала в преобразуемых измерениях. Если задан, размер каждого измерения dim[i] будет дополнен нулями или обрезан до длины s[i] перед вычислением FFT. Если длина -1 не задана, дополнение в этом измерении не выполняется. По умолчанию: s = [input.size(d) for d in dim]
• dim (Tuple[int], optional) – Измерения для преобразования. По умолчанию: все измерения или последние len(s) измерения, если задано s.

• norm (str, optional) –

  Режим нормализации. Для прямого преобразования (fftn()) доступны следующие варианты:

  • "forward" — нормализация на 1/n
  • "backward" — без нормализации
  • "ortho" — нормализация на 1/sqrt(n) (преобразование FFT становится ортонормированным)

  Здесь n = prod(s) — логический размер FFT. Вызов обратного преобразования (ifftn()) с тем же режимом нормализации применит общую нормализацию 1/n к обоим преобразованиям. Это необходимо, чтобы ifftn() было точным обратным преобразованием.

  По умолчанию используется "backward" (без нормализации).

Именованные аргументы:

out (Tensor, optional) – выходной тензор.

Пример

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

Дискретное преобразование Фурье является разделимым, поэтому fftn() в этом примере эквивалентно двум вызовам одномерного преобразования fft():

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