torch.fft.rfft

torch.fft.rfft(input, n=None, dim=-1, norm=None, *, out=None) → Tensor

计算实值 input 的一维傅里叶变换。

实信号的 FFT 具有 Hermitian 对称性，X[i] = conj(X[-i])，因此输出仅包含低于 Nyquist 频率的正频率。要计算完整的输出，请使用 fft()。

注意

支持在 GPU 架构 SM53 或更高版本的 CUDA 上使用 torch.half。但它仅支持转换的每个维度中信号长度为 2 的幂次方。

参数

• input (Tensor) – 实数输入张量

• n (int, 可选) – 信号长度。如果给出，输入将在计算实数 FFT 之前被零填充或裁剪到此长度。

• dim (int, 可选) – 进行一维实数 FFT 的维度。

• norm (str, 可选) –

  归一化模式。对于正向变换（rfft()），它们对应于

  • "forward" - 按 1/n 归一化

  • "backward" - 无归一化

  • "ortho" - 按 1/sqrt(n) 归一化（使 FFT 正交）

  使用相同的归一化模式调用逆向变换（irfft()）将在两个变换之间应用总体的 1/n 归一化。这是使 irfft() 成为精确逆变换所必需的。

  默认值为 "backward"（无归一化）。

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.rfft(t)
tensor([ 6.+0.j, -2.+2.j, -2.+0.j])

与 fft() 的完整输出进行比较

>>> torch.fft.fft(t)
tensor([ 6.+0.j, -2.+2.j, -2.+0.j, -2.-2.j])

请注意，对称元素 T[-1] == T[1].conj() 已被省略。在 Nyquist 频率下，T[-2] == T[2] 是其自身的对称对，因此必须始终是实数值。