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 Hermitian 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。要计算完整输出，请使用 fft()

注意

在 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中信号长度为 2 的幂次方。

参数

• input (Tensor) – 实值输入张量

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

• dim (int, 可选) – 沿其进行一维实 FFT 的维度。

• norm (str, 可选) –

  归一化模式。对于正向变换 (rfft())，这些对应于

  • "forward" - 按 1/n 归一化

  • "backward" - 无归一化

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

  使用相同的归一化模式调用反向变换 (irfft()) 将在两个变换之间应用 1/n 的整体归一化。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() 已省略。在奈奎斯特频率 T[-2] == T[2] 处，它是自身的对称对，因此必须始终是实值的。