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])