torch.fft.hfft¶
- torch.fft.hfft(input, n=None, dim=-1, norm=None, *, out=None) Tensor ¶
计算 Hermitian 对称
input
信号的一维离散傅里叶变换。注意
hfft()
/ihfft()
与rfft()
/irfft()
相似。实 FFT 预计时域中有一个实信号,并在频域中给出 Hermitian 对称性。Hermitian FFT 则相反;时域中是 Hermitian 对称的,而频域中是实值的。出于这个原因,需要对长度参数n
进行特殊处理,就像处理irfft()
一样。注意
因为信号在时域中是 Hermitian 的,所以结果在频域中将是实的。请注意,某些输入频率必须是实值的才能满足 Hermitian 属性。在这些情况下,将忽略虚部。例如,
input[0]
中的任何虚部都将导致一个或多个复数频率项,这些项无法在实值输出中表示,因此将始终被忽略。注意
Hermitian 输入的正确解释取决于原始数据的长度,如
n
所示。这是因为每个输入形状都可能对应于奇数或偶数长度信号。默认情况下,假设信号是偶数长度,奇数信号将无法正确来回转换。因此,建议始终传递信号长度n
。注意
在具有 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half 和 torch.chalf。但是,它仅在每个变换维度中支持 2 的幂信号长度。使用默认参数,变换维度的尺寸应为 (2^n + 1),因为参数 n 默认为偶数输出尺寸 = 2 * (变换维度尺寸 - 1)
- 参数
input (Tensor) – 表示半 Hermitian 信号的输入张量
n (int, optional) – 输出信号长度。这决定了实值输出的长度。如果给出,输入将在计算 Hermitian FFT 之前被零填充或修剪到此长度。默认为偶数输出:
n=2*(input.size(dim) - 1)
。dim (int, optional) – 进行一维 Hermitian FFT 的维度。
norm (str, optional) –
归一化模式。对于正向变换 (
hfft()
),这些对应于"forward"
- 按1/n
归一化"backward"
- 不归一化"ortho"
- 按1/sqrt(n)
归一化(使 Hermitian FFT 正交)
使用相同的归一化模式调用反向变换 (
ihfft()
) 将在两个变换之间应用1/n
的整体归一化。这是使ihfft()
成为精确的反向变换所必需的。默认值为
"backward"
(不归一化)。
- 关键字参数
out (Tensor, optional) – 输出张量。
示例
取一个实值频率信号并将其带入时域,得到 Hermitian 对称输出
>>> t = torch.linspace(0, 1, 5) >>> t tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]) >>> T = torch.fft.ifft(t) >>> T tensor([ 0.5000-0.0000j, -0.1250-0.1720j, -0.1250-0.0406j, -0.1250+0.0406j, -0.1250+0.1720j])
请注意,
T[1] == T[-1].conj()
和T[2] == T[-2].conj()
是多余的。因此,我们可以计算正向变换而不考虑负频率。>>> torch.fft.hfft(T[:3], n=5) tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
与
irfft()
一样,为了恢复偶数长度的输出,必须给出输出长度。>>> torch.fft.hfft(T[:3]) tensor([0.1250, 0.2809, 0.6250, 0.9691])