torch中傅里叶变换函数定义和用法的新旧版比较是怎样

本篇内容介绍了“torch中傅里叶变换函数定义和用法的新旧版对比是怎样”的有关知识，在实际项目的操作过程或是学习过程中，不少人都会遇到这样的问题，接下来就让小编带大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

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())

感谢各位的阅读，以上就是“torch中傅里叶变换函数定义和用法的新旧版对比是怎样”的内容了，经过本文的学习后，相信大家对torch中傅里叶变换函数定义和用法的新旧版对比是怎样都有更深刻的体会了吧。

（编辑：银川站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!