torch中傅里叶变换函数定义和用法的新旧版对比是怎样-群英

上一篇：Python递归的基本概念和知识及构建递归是怎样下一篇：Python矩阵输入的方法和代码是什么

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())