torch.fft.fftfreq¶
- torch.fft.fftfreq(n, d=1.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) Tensor ¶
计算大小为
n
的信号的离散傅里叶变换样本频率。注意
按照惯例,
fft()
首先返回正频率项,然后按反序返回负频率项,因此在 Python 中,对于所有 ,f[-i]
提供负频率项。对于长度为n
且输入间隔长度单位为d
的 FFT,频率如下:f = [0, 1, ..., (n - 1) // 2, -(n // 2), ..., -1] / (d * n)
注意
对于偶数长度,奈奎斯特频率 (Nyquist frequency) 在
f[n/2]
可以被认为是负的或正的。fftfreq()
遵循 NumPy 的惯例,将其视为负值。- 参数
- 关键字参数
out (Tensor, 可选) – 输出张量。
dtype (
torch.dtype
, 可选) – 返回张量所需的数据类型。默认值:如果为None
,则使用全局默认值(参见torch.set_default_dtype()
)。layout (
torch.layout
, 可选) – 返回张量所需的布局。默认值:torch.strided
。device (
torch.device
, 可选) – 返回张量所需的设备。默认值:如果为None
,则使用默认张量类型的当前设备(参见torch.set_default_device()
)。对于 CPU 张量类型,device
将是 CPU;对于 CUDA 张量类型,将是当前的 CUDA 设备。requires_grad (bool, 可选) – 如果 autograd 应该记录返回张量上的操作。默认值:
False
。
示例
>>> torch.fft.fftfreq(5) tensor([ 0.0000, 0.2000, 0.4000, -0.4000, -0.2000])
对于偶数输入,我们可以看到
f[2]
处的奈奎斯特频率被指定为负值>>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])