torch.fft.ifftn

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

Вычисляет обратное дискретное преобразование Фурье по N измерениям для input.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако длина сигнала во всех преобразуемых измерениях должна быть степенью числа 2.

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 IFFT. Если указана длина -1, в этом измерении дополнение не выполняется. По умолчанию: s = [input.size(d) for d in dim]
• dim (Tuple[int], optional) – Измерения, которые нужно преобразовать. По умолчанию: все измерения или последние len(s) измерения, если задано s.

• norm (str, optional) –

  Режим нормализации. Для обратного преобразования (ifftn()) доступны следующие варианты:

  • "forward" — без нормализации
  • "backward" — нормализация на 1/n
  • "ortho" — нормализация на 1/sqrt(n) (делает IFFT ортонормированным)

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

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

Именованные аргументы:

out (Tensor, optional) – выходной тензор.

Пример

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

Дискретное преобразование Фурье разделяется на независимые преобразования по измерениям, поэтому ifftn() здесь эквивалентно двум вызовам одномерного преобразования ifft():

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