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 是厄米特对称的,
X[i] = conj(X[-i])
,因此输出仅包含奈奎斯特频率以下的正频率。要计算完整的输出,请使用fft()
注意
在具有 GPU 架构 SM53 或更高版本的 CUDA 上支持 torch.half。但是它仅支持每个变换维度的 2 的幂信号长度。
- 参数
input (Tensor) – 实输入张量
n (int, optional) – 信号长度。如果给出,则在计算实 FFT 之前,输入将被零填充或修剪到此长度。
dim (int, optional) – 进行一维实 FFT 的维度。
norm (str, optional) –
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)
使用相同归一化模式调用反向变换 (
irfft()
) 将在两次变换之间应用1/n
的总体归一化。这需要使irfft()
成为精确的反函数。默认为
"backward"
(无归一化)。
- 关键字参数
out (Tensor, optional) – 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])
与来自
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])
注意,对称元素
T[-1] == T[1].conj()
被省略。在奈奎斯特频率T[-2] == T[2]
是它自身的对称对,因此必须始终是实值的。