这篇博客比较简洁给大家一个 直观的对序列的傅里叶变换与其逆变换，具体可以参考 底部链接
torch.fft.fft&&torch.fft.ifft
torch.fft.fft(input, n=None, dim=-1, norm=None) → Tensor
torch.fft.fftn(input, s=None, dim=None, norm=None) → Tensor
import torch.fft
x=8#x得是2的n次方
t= torch.arange(x)
t
==========================
tensor([0, 1, 2, 3, 4, 5, 6, 7])
==========================
result = torch.fft.fft(t)
result
==========================
tensor([28.+0.0000j, -4.+9.6569j, -4.+4.0000j, -4.+1.6569j, -4.+0.0000j,
-4.-1.6569j, -4.-4.0000j, -4.-9.6569j])
==========================
result_inverse = torch.fft.ifft(result)
result_inverse
==========================
tensor([0.0000+0.j, 1.0000+0.j, 2.0000+0.j, 3.0000+0.j, 4.0000+0.j, 5.0000+0.j, 6.0000+0.j,7.0000+0.j])
==========================
torch.fft.rfft&&torch.fft.irfft
fft：快速离散傅里叶变换
rfft：因为中心共轭对称，所以 将共轭的那一部分去除，减少存储量,其意义都是去除那些共轭对称的值，减小存储，在1.7版本torch.rfft中，有一个warning，表示在新版中，要”one-side ouput”的话用torch.fft.rfft()，要”two-side ouput”的话用torch.fft.fft()。 这里的one/two side，跟旧版的onesided参数对应，所以我们要的是新版的torch.fft.fft()
import torch.fft
x=8#x得是2的n次方
t= torch.arange(x)
t
==========================
tensor([0, 1, 2, 3, 4, 5, 6, 7])
==========================
result = torch.fft.rfft(t)
result
==========================
tensor([28.+0.0000j, -4.+9.6569j, -4.+4.0000j, -4.+1.6569j, -4.+0.0000j])
==========================
result_inverse = torch.fft.irfft(result)
result_inverse
==========================
tensor([0., 1., 2., 3., 4., 5., 6., 7.])
==========================
官方参考 TORCH.FFT
Reference
torch.fft_will be that man的博客-CSDN博客_torch.fft//总结的不错
torch.fft — PyTorch 1.11.0 documentation//官方文档，细节都在这里了
Original: https://blog.csdn.net/weixin_43332715/article/details/124755174
Author: 思考实践
Title: torch.fft类下面的函数
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/688881/
转载文章受原作者版权保护。转载请注明原作者出处！