torch.fft.fft¶
- torch.fft.fft(input, n=None, dim=-1, norm=None, *, out=None) Tensor ¶
计算
input
的一维离散傅里叶变换 (DFT)。注意
任何实信号的傅里叶域表示都满足 Hermitian 特性:X[i] = conj(X[-i])。尽管对于实数输入,负频率是冗余的,但此函数始终返回正频率和负频率项。
rfft()
返回更紧凑的单边表示,其中仅返回正频率。注意
在 GPU 架构为 SM53 或更高版本的 CUDA 上支持 torch.half 和 torch.chalf。但是,它仅支持在每个变换维度上信号长度为 2 的幂次方。
- 参数
input (Tensor) – 输入张量
n (int, 可选) – 信号长度。如果给定,在计算 FFT 之前,输入将被零填充或截断到此长度。
dim (int, 可选) – 进行一维 FFT 的维度。
norm (str, 可选) –
归一化模式。对于正向变换 (
fft()
),它们对应于"forward"
- 按1/n
归一化"backward"
- 不进行归一化"ortho"
- 按1/sqrt(n)
归一化(使 FFT 正交归一化)
使用相同的归一化模式调用反向变换 (
ifft()
) 将在两个变换之间应用总体的1/n
归一化。这是使ifft()
成为精确逆变换所必需的。默认为
"backward"
(不进行归一化)。
- 关键字参数
out (Tensor, 可选) – 输出张量。
示例
>>> t = torch.arange(4) >>> t tensor([0, 1, 2, 3]) >>> torch.fft.fft(t) tensor([ 6.+0.j, -2.+2.j, -2.+0.j, -2.-2.j])
>>> t = torch.tensor([0.+1.j, 2.+3.j, 4.+5.j, 6.+7.j]) >>> torch.fft.fft(t) tensor([12.+16.j, -8.+0.j, -4.-4.j, 0.-8.j])