torch.fft.rfftfreq

torch.fft.rfftfreq(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 rfft() 的采样频率。

注意

rfft() 返回厄米特单边输出，因此仅返回正频率项。对于长度为 n 且输入间隔为长度单位 d 的实 FFT，频率为

f = torch.arange((n + 1) // 2) / (d * n)

注意

对于偶数长度，奈奎斯特频率 f[n/2] 可以认为是负数或正数。与 fftfreq() 不同，rfftfreq() 始终将其返回为正数。

参数

• n (int) – 实 FFT 长度

• d (float, 可选) – 采样长度比例。FFT 输入的各个样本之间的间距。默认值假设单位间距，将该结果除以实际间距即可得到以物理频率单位表示的结果。

关键字参数

• out (Tensor, 可选) – 输出张量。

• dtype (torch.dtype，可选) – 返回张量的所需数据类型。默认值：如果为 None，则使用全局默认值（请参阅 torch.set_default_dtype()）。

• layout (torch.layout，可选) – 返回张量的所需布局。默认值：torch.strided。

• device (torch.device，可选) – 返回张量的所需设备。默认值：如果为 None，则使用默认张量类型的当前设备（请参阅 torch.set_default_device()）。对于 CPU 张量类型，device 将为 CPU；对于 CUDA 张量类型，device 将为当前 CUDA 设备。

• requires_grad (bool, 可选) – 是否应记录返回张量上的操作。默认值：False。

示例

>>> torch.fft.rfftfreq(5)
tensor([0.0000, 0.2000, 0.4000])

>>> torch.fft.rfftfreq(4)
tensor([0.0000, 0.2500, 0.5000])

与 fftfreq() 的输出相比，我们可以看到 f[2] 处的奈奎斯特频率的符号已更改：>>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])