torch.fft.fftfreq

torch.fft.fftfreq(n, d=1.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

計算大小為 n 的訊號的離散傅立葉變換樣本頻率。

注意

按照慣例，fft() 首先返回正頻率項，然後按反序返回負頻率項，因此在 Python 中，對於所有 $0 < i \leq n/2$，f[-i] 提供負頻率項。對於長度為 n 且輸入間隔長度單位為 d 的 FFT，頻率如下：

f = [0, 1, ..., (n - 1) // 2, -(n // 2), ..., -1] / (d * n)

注意

對於偶數長度，奈奎斯特頻率 (Nyquist frequency) 在 f[n/2] 可以被認為是負的或正的。fftfreq() 遵循 NumPy 的慣例，將其視為負值。

引數

• n (int) – FFT 長度

• d (float, 可選) – 取樣長度尺度。FFT 輸入中單個樣本之間的間隔。預設假設單位間隔，將該結果除以實際間隔即可獲得物理頻率單位的結果。

關鍵字引數

• out (Tensor, 可選) – 輸出張量。

• dtype (torch.dtype, 可選) – 返回張量所需的資料型別。預設值：如果為 None，則使用全域性預設值（參見 torch.set_default_dtype()）。

• layout (torch.layout, 可選) – 返回張量所需的佈局。預設值：torch.strided。

• device (torch.device, 可選) – 返回張量所需的裝置。預設值：如果為 None，則使用預設張量型別的當前裝置（參見 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU；對於 CUDA 張量型別，將是當前的 CUDA 裝置。

• requires_grad (bool, 可選) – 如果 autograd 應該記錄返回張量上的操作。預設值：False。

示例

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

對於偶數輸入，我們可以看到 f[2] 處的奈奎斯特頻率被指定為負值

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