torch.fft.rfft2

torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) → Tensor

Вычисляет двумерное дискретное преобразование Фурье вещественного input. Эквивалентно rfftn(), но по умолчанию вычисляет БПФ только по двум последним измерениям.

БПФ вещественного сигнала является эрмитово-симметричным X[i, j] = conj(X[-i, -j]), поэтому полный вывод fft2() содержит избыточную информацию. rfft2() вместо этого пропускает отрицательные частоты в последнем измерении.

Примечание

Поддерживает torch.half на CUDA с архитектурой GPU SM53 или выше. Однако он поддерживает только длину сигнала, являющуюся степенью двойки, во всех преобразуемых измерениях.

Параметры

• input (Тензор) – входной тензор
• s (Кортеж[целое], необязательно) – Размер сигнала в преобразуемых измерениях. Если задано, каждое измерение dim[i] будет либо дополнено нулями, либо усечено до длины s[i] перед вычислением вещественного БПФ. Если задана длина -1, в этом измерении дополнение нулями не выполняется. Значение по умолчанию: s = [input.size(d) for d in dim]
• dim (Кортеж[целое], необязательно) – Измерения, которые необходимо преобразовать. Значение по умолчанию: два последних измерения.

• norm (строка, необязательно) –

  Режим нормализации. Для прямого преобразования (rfft2()), эти соответствуют:

  • "forward" - нормализация на 1/n
  • "backward" - без нормализации
  • "ortho" - нормализация на 1/sqrt(n) (что делает вещественное БПФ ортогональным)

  Где n = prod(s) - это логический размер БПФ. Вызов обратного преобразования (irfft2()) с тем же режимом нормализации применит общую нормализацию 1/n между двумя преобразованиями. Это необходимо для того, чтобы irfft2() было точным обратным преобразованием.

  Значение по умолчанию "backward" (без нормализации).

Ключевые аргументы

out (Тензор, необязательно) – выходной тензор.

Пример

>>> t = torch.rand(10, 10)
>>> rfft2 = torch.fft.rfft2(t)
>>> rfft2.size()
torch.Size([10, 6])

В сравнении с полным выводом от fft2(), мы имеем все элементы до частоты Найквиста.

>>> fft2 = torch.fft.fft2(t)
>>> torch.testing.assert_close(fft2[..., :6], rfft2, check_stride=False)

Дискретное преобразование Фурье является разделяемым, поэтому rfft2() здесь эквивалентно комбинации fft() и rfft():

>>> two_ffts = torch.fft.fft(torch.fft.rfft(t, dim=1), dim=0)
>>> torch.testing.assert_close(rfft2, two_ffts, check_stride=False)