Python torch.fft.rfft()函数用法示例代码
作者:Oxygen?H2O 发布时间:2022-02-15 02:03:36
标签:torch.fft.rfft(),函数,python
在新旧版的torch中的傅里叶变换函数在定义和用法上存在不同,记录一下。
1、旧版
fft = torch.rfft(input, 2, normalized=True, onesided=False)
# input 为输入的图片或者向量,dtype=torch.float32,size比如为[1,3,64,64]
# signal_ndim(int):The number of dimensions in each signal,can only be 1、2、3
# normalized(bool,optional):controls wheather to return normallized results. Default:False
# onesided(bool,optional):controls whether to return half of results to avoid redundancy.Default:True
上面例子中图像中 singal_ndim = 2 ,是因为输入图像是2维的。
1.7之后的版本中,如果要用 oneside output,则改用torch.fft.rfft();如果要用two-side output,则改用torch.fft.fft()
input= torch.arange(4)
fft = torch.rfft(input, 2, normalized=True, onesided=False)
2、新版
一维离散傅里叶变换
torch.fft.rfft(input,n=None,dim=-1,norm=None) --> Tensor
# input:Tensor
# n(int,optional):Output signal length. This determines the length of the
output signal.
# dim(int, optional): The dimension along which to take the one dimensional real IFFT.
# norm (str, optional): Normalization mode.
二维离散傅里叶变换
torch.fft.rfft2(input, s=None, dim=(-2, -1), norm=None, *, out=None) -> Tensor
input (Tensor): the input tensor
s (Tuple[int], optional): Signal size in the transformed dimensions.
dim (Tuple[int], optional): Dimensions to be transformed.
norm (str, optional): Normalization mode.
高维离散傅里叶变换
rfftn(input, s=None, dim=None, norm=None, *, out=None) -> Tensor
input (Tensor): the input tensor
s (Tuple[int], optional): Signal size in the transformed dimensions.
dim (Tuple[int], optional): Dimensions to be transformed.
norm (str, optional): Normalization mode. For the forward transform
3、新旧版对比
import torch
input = torch.rand(1,3,32,32)
# 旧版pytorch.rfft()函数
fft = torch.rfft(input, 2, normalized=True, onesided=False)
# 新版 pytorch.fft.rfft2()函数
output = torch.fft.fft2(input, dim=(-2, -1))
output = torch.stack((output.real, output_new.imag), -1)
ffted = torch.rfft(input, 1, onesided=False) to ffted = torch.view_as_real(torch.fft.fft(input, dim=1))
and
iffted = torch.irfft(time_step_as_inner, 1, onesided=False) to
iffted = torch.fft.irfft(torch.view_as_complex(time_step_as_inner), n=time_step_as_inner.shape[1], dim=1)
补充:使用numpy模拟torch.fft.fft拯救paddle
import numpy as np
import torch
import paddle
def paddle_fft(x,dim=-1):
if dim==-1:
return paddle.to_tensor(np.fft.fft(x.numpy()))
else:
shape= [i for i in range(len(x.shape))]
shape[dim],shape[-1]=shape[-1],shape[dim]
x=np.transpose(np.fft.fft(np.transpose(x.numpy(), shape)),shape)
return paddle.to_tensor(x)
if __name__ == '__main__':
data=paddle.to_tensor(np.array([[[1, 4, 3], [1, 2, 3]], [[1, 2, 3], [1, 2, 3]]]))
paddle_f_d=paddle_fft(paddle_fft(data,-1),-2)
torch_f_d =paddle_fft(torch.fft.fft(torch.Tensor(data.numpy()),dim=-1),-2)
print(paddle_f_d.numpy())
print(torch_f_d.numpy())
来源:https://blog.csdn.net/oxygenh2o/article/details/122157814
0
投稿
猜你喜欢
- 如何准确获知对方来访问的时间和URL?代码如下:logfile.asp<%Dim ValidLog '&n
- Response是负责将信息传递给用户的对象,它可动态地响应客户端的请求,并将动态生成的响应结果返回给客户端浏览器。 一,Resp
- Python产生一个数值范围内的不重复的随机数,可以使用random模块中的random.sample函数,其用法如下:import ran
- class ascii{function decode($str){ preg_match_all( &
- 由于系统自带的MySQL默认字符集不是gbk,因此给数据库的推广应用以及中文程序的开发带来极大的不便,在没完没了的GBK和UTF8的转换过程
- 本文实例为大家分享了python+rsync精确同步指定格式文件的具体代码,供大家参考,具体内容如下# coding: utf-8#!/us
- 作为一个诞生已有 30 余年的编程语言,Python 的流行度在近几年迎来了 * 性的增长。为了方便大家能够更好的采用 Python,利用该语
- 要想在不宽裕的页面展现丰富的内容,现在通用的做法使用tab,在一块区域通过tab切换来更换该区域的内容。这篇文章分析了tab设计很在理,今天
- { hide_text } CSS文字隐藏总结报告最近整理的一份CSS文字隐藏的demo,总结了几种方法,希望得出一种最完美的方案放进自己的
- // 执行AJAX请求的通用函数//带一个参数,是包含一系列选项的对象function ajax(options){//如果用户没有提供某个
- 导读:SQL Server数据迁移的知识之前已经为大家介绍了很多,比如SQL Server数据库迁移方法,接下来就为大家详细介绍SQL Se
- SQL Server数据库查询速度慢的原因有很多,常见的有以下几种:1、没有索引或者没有用到索引(这是查询慢最常见的问题,是程序设计的缺陷)
- 观察者模式结构图概念一个"演员"(被观察者),一群"观众"(观察者),一台"摄影机&quo
- 按数量级递增排列,常见的时间复杂度有:常数阶O(1),对数阶O(log2n),线性阶O(n),线性对数阶O(nlog2n),平方阶O(n2)
- 本文实例讲述了Python类装饰器。分享给大家供大家参考,具体如下:编写类装饰器类装饰器类似于函数装饰器的概念,但它应用于类,它们可以用于管
- 恭喜您,您中奖了,你的中奖码是(请牢记,领奖需要):XXXXXXXXXXX然后用户输入XXXXXXXXXXX,简单验证后就可以领奖了。你使用
- 微信小程序 微信支付服务端集理论上集成微信支付的全部工作可以在小程序端完成,因为小程序js有访问网络的能力,但是为了安全,不暴露敏感key,
- <!doctype html><html><head><meta http-equiv
- 去听了牛人 dbaron 的一个 Web Page Layout/Display in Mozilla 讲座( via )。讲的东西对我一个
- 聚集索引,数据实际上是按顺序存储的,数据页就在索引页上。就好像参考手册将所有主题按顺序编排一样。一旦找到了所要搜索的数据,就完成了这次搜索,