torch.fft.ifft2

torch.fft.ifft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor [исходный код]

Вычисляет двумерное обратное дискретное преобразование Фурье для input. Эквивалентно ifftn(), но по умолчанию выполняет обратное преобразование Фурье только для последних двух измерений.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако поддерживаются только длины сигнала, являющиеся степенями 2, во всех преобразуемых измерениях.

Параметры:

• input (Tensor) – входной тензор
• s (Tuple[int], необязательный) – Размер сигнала в преобразуемых измерениях. Если задан, каждое измерение dim[i] будет дополнено нулями или усечено до длины s[i] перед вычислением обратного преобразования Фурье. Если длина -1 не задана, в этом измерении дополнение не выполняется. По умолчанию: s = [input.size(d) for d in dim]
• dim (Tuple[int], необязательный) – Измерения для преобразования. По умолчанию: последние два измерения.

• norm (str, необязательный) –

  Режим нормализации. Для обратного преобразования (ifft2()) ему соответствуют следующие значения:

  • "forward" — без нормализации
  • "backward" — нормализация на 1/n
  • "ortho" — нормализация на 1/sqrt(n) (что делает обратное преобразование Фурье ортонормированным)

  Здесь n = prod(s) — логический размер обратного преобразования Фурье. Вызов прямого преобразования (fft2()) с тем же режимом нормализации обеспечит общую нормализацию 1/n для двух преобразований. Это необходимо, чтобы ifft2() было точным обратным преобразованием.

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

Именованные аргументы:

out (Tensor, необязательный) – выходной тензор.

Пример

>>> x = torch.rand(10, 10, dtype=torch.complex64)
>>> ifft2 = torch.fft.ifft2(x)

Дискретное преобразование Фурье разделимо, поэтому ifft2() в этом примере эквивалентно двум вызовам одномерного ifft():

>>> two_iffts = torch.fft.ifft(torch.fft.ifft(x, dim=0), dim=1)
>>> torch.testing.assert_close(ifft2, two_iffts, check_stride=False)