Python?torch.fft.rfft()函數(shù)用法示例代碼
在新舊版的torch中的傅里葉變換函數(shù)在定義和用法上存在不同,記錄一下。
1、舊版
fft = torch.rfft(input, 2, normalized=True, onesided=False) # input 為輸入的圖片或者向量,dtype=torch.float32,size比如為[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
上面例子中圖像中 singal_ndim = 2 ,是因?yàn)檩斎雸D像是2維的。
1.7之后的版本中,如果要用 oneside output,則改用torch.fft.rfft();如果要用two-side output,則改用torch.fft.fft()
input= torch.arange(4) fft = torch.rfft(input, 2, normalized=True, onesided=False)
2、新版
一維離散傅里葉變換
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.
二維離散傅里葉變換
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.
高維離散傅里葉變換
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、新舊版對比
import torch input = torch.rand(1,3,32,32) # 舊版pytorch.rfft()函數(shù) fft = torch.rfft(input, 2, normalized=True, onesided=False) # 新版 pytorch.fft.rfft2()函數(shù) 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)
補(bǔ)充:使用numpy模擬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())
總結(jié)
到此這篇關(guān)于Python torch.fft.rfft()函數(shù)用法的文章就介紹到這了,更多相關(guān)torch.fft.rfft()函數(shù)用法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
詳解django使用include無法跳轉(zhuǎn)的解決方法
這篇文章主要介紹了詳解django使用include無法跳轉(zhuǎn)的解決方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-03-03Python圖像運(yùn)算之圖像掩膜直方圖和HS直方圖詳解
這篇文章將為大家詳細(xì)講解圖像掩膜直方圖和HS直方圖,并分享一個通過直方圖判斷白天與黑夜的案例。文中的示例代碼講解詳細(xì),感興趣的小伙伴可以了解一下2022-08-08python如何實(shí)現(xiàn)單向鏈表及單向鏈表的反轉(zhuǎn)
這篇文章主要介紹了python如何實(shí)現(xiàn)單向鏈表及單向鏈表的反轉(zhuǎn),幫助大家更好的理解和學(xué)習(xí)使用python,感興趣的朋友可以了解下2021-03-03Python臨時文件創(chuàng)建之tempfile模塊介紹
這篇文章主要介紹了Python臨時文件創(chuàng)建之tempfile模塊,Python的tempfile模塊是用來創(chuàng)建臨時文件或者文件夾的跨平臺工具,下面關(guān)于模塊簡單介紹需要的小伙伴可以參考一下2022-03-03Python計(jì)算一個點(diǎn)到所有點(diǎn)的歐式距離實(shí)現(xiàn)方法
今天小編就為大家分享一篇Python計(jì)算一個點(diǎn)到所有點(diǎn)的歐式距離實(shí)現(xiàn)方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07利用Python對中國500強(qiáng)排行榜數(shù)據(jù)進(jìn)行可視化分析
這篇文章主要介紹了利用Python對中國500強(qiáng)排行榜數(shù)據(jù)進(jìn)行可視化分析,從不同角度去對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,可視化展示,下文詳細(xì)內(nèi)容介紹需要的小伙伴可以參考一下2022-05-05使用Python內(nèi)置的模塊與函數(shù)進(jìn)行不同進(jìn)制的數(shù)的轉(zhuǎn)換
這篇文章主要介紹了使用Python內(nèi)置的模塊與函數(shù)進(jìn)行不同進(jìn)制的數(shù)的轉(zhuǎn)換的方法,Python也使得讀取純二進(jìn)制文件內(nèi)容非常方便,需要的朋友可以參考下2016-03-03在langchain中對大模型的輸出進(jìn)行格式化實(shí)現(xiàn)
這篇文章主要為大家介紹了在langchain中對大模型的輸出進(jìn)行格式化實(shí)現(xiàn)示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-11-11