torch.fft.rfft

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

計算實值 input 的一維傅立葉變換。

實訊號的 FFT 具有 Hermitian 對稱性，X[i] = conj(X[-i])，因此輸出僅包含低於 Nyquist 頻率的正頻率。要計算完整的輸出，請使用 fft()。

注意

支援在 GPU 架構 SM53 或更高版本的 CUDA 上使用 torch.half。但它僅支援轉換的每個維度中訊號長度為 2 的冪次方。

引數

• input (Tensor) – 實數輸入張量

• n (int, 可選) – 訊號長度。如果給出，輸入將在計算實數 FFT 之前被零填充或裁剪到此長度。

• dim (int, 可選) – 進行一維實數 FFT 的維度。

• norm (str, 可選) –

  歸一化模式。對於正向變換（rfft()），它們對應於

  • "forward" - 按 1/n 歸一化

  • "backward" - 無歸一化

  • "ortho" - 按 1/sqrt(n) 歸一化（使 FFT 正交）

  使用相同的歸一化模式呼叫逆向變換（irfft()）將在兩個變換之間應用總體的 1/n 歸一化。這是使 irfft() 成為精確逆變換所必需的。

  預設值為 "backward"（無歸一化）。

關鍵字引數

out (Tensor, 可選) – 輸出張量。

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])

與 fft() 的完整輸出進行比較

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

請注意，對稱元素 T[-1] == T[1].conj() 已被省略。在 Nyquist 頻率下，T[-2] == T[2] 是其自身的對稱對，因此必須始終是實數值。