PyTorch FFT2与IFFT2结果与Matlab、NumPy等差异过大求助

你的PyTorch实现出现结果偏差，主要由以下几个关键问题导致：

1. 未将输入转换为浮点类型 #

PyTorch的fft2/ifft2仅支持**浮点类型（float32/float64）**输入，直接传入uint8格式的图像会触发未定义行为（部分环境可能自动转换，但结果不可靠），必须显式转换为浮点类型。

2. 归一化逻辑错误 #

你对比时将PyTorch结果除以自身的最大值，但原图是除以原图的最大值，两者的归一化基准不一致，导致结果无法正确对齐。需统一使用原图的最大值进行归一化。

3. 精度差异累积 #

PyTorch CPU默认使用float32，GPU默认可能使用float16，而NumPy/Matlab默认使用float64。循环50次FFT/IFFT后，低精度的浮点误差会被显著放大，导致结果偏差。

4. 未显式指定FFT归一化参数 #

虽然PyTorch默认的norm="backward"与NumPy行为一致（fft2无缩放，ifft2除以元素总数），但显式指定参数可以避免版本或设备差异带来的意外。

修正后的代码 #

首先修正FFT测试函数 #

def fft_bench_PyTorch(img):
    # 确保输入是浮点类型（强制转为float64以匹配NumPy精度）
    img = img.to(tr.float64)
    for _ in range(50):
        # 显式指定norm参数，确保与NumPy行为一致
        img = tr.fft.fft2(img, norm="backward")
        img = tr.fft.fftshift(img)
        img = tr.fft.ifftshift(img)
        img = tr.fft.ifft2(img, norm="backward")
    return img

修正数据加载与对比逻辑 #

import torch as tr
import numpy as np
from skimage.io import imread

img = imread('cameraman.tif')
# 原图转为float64，计算归一化基准（原图的最大值）
img_float = np.array(img, dtype=np.float64)
img_max = np.max(img_float)
imgabs = img_float / img_max

# PyTorch CPU测试
device = tr.device('cpu')
# 转换为float64张量，避免精度损失
imgData = tr.from_numpy(img_float).to(device)
pytorch_cpu_result = np.absolute(fft_bench_PyTorch(imgData).detach().numpy())
# 使用原图的最大值归一化，与原图对齐
pytorch_cpu_result = pytorch_cpu_result / img_max

# PyTorch GPU测试
device = tr.device('cuda')
imgData = tr.from_numpy(img_float).to(device)
pytorch_gpu_result = np.absolute(fft_bench_PyTorch(imgData).detach().cpu().numpy())
pytorch_gpu_result = pytorch_gpu_result / img_max

# 验证结果
np.testing.assert_almost_equal(imgabs, pytorch_cpu_result, decimal=6)
np.testing.assert_almost_equal(imgabs, pytorch_gpu_result, decimal=6)

额外说明 #

• 如果GPU上仍有微小差异，可强制GPU使用float64（imgData = tr.from_numpy(img_float).to(device).to(tr.float64)），但会牺牲部分性能。
• fftshift与ifftshift是互逆操作，你的循环中这两步可以省略，不影响最终结果，但保留也没问题。

内容的提问来源于stack exchange，提问作者Jackson-H