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 $0 < i \leq n/2$，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

• n (int) – FFT 长度

• d (float, 可选) – 采样长度尺度。FFT 输入中单个样本之间的间隔。默认假设单位间隔，将该结果除以实际间隔即可获得物理频率单位的结果。

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])