快捷方式

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])

文档

查阅 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源