torch.hamming_window

torch.hamming_window(window_length, periodic=True, alpha=0.54, beta=0.46, *, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

Hamming 窗函式。

$$w[n] = \alpha - \beta\ \cos \left( \frac{2 \pi n}{N - 1} \right),$$

其中 $N$ 是完整的窗大小。

輸入 window_length 是一個正整數，控制返回的窗大小。periodic 標誌決定了返回的窗是否從對稱窗中移除最後一個重複值，以便與 torch.stft() 等函式一起用作週期性窗。因此，如果 periodic 為 True，則上述公式中的 $N$ 實際上是 $\text{window\_length} + 1$。此外，torch.hamming_window(L, periodic=True) 總是等於 torch.hamming_window(L + 1, periodic=False)[:-1])。

注意

如果 window_length $=1$，返回的窗只包含一個值 1。

注意

這是 torch.hann_window() 的通用版本。

引數

• window_length (int) – 返回窗的大小

• periodic (bool, optional) – 如果為 True，返回一個用作週期函式的窗。如果為 False，返回一個對稱窗。

• alpha (float, optional) – 上述公式中的係數 $\alpha$

• beta (float, optional) – 上述公式中的係數 $\beta$

關鍵字引數

• dtype (torch.dtype, optional) – 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()）。僅支援浮點型別。

• layout (torch.layout, optional) – 返回窗張量所需的佈局。僅支援 torch.strided（密集佈局）。

• device (torch.device, optional) – 返回張量所需的裝置。預設值：如果為 None，則對預設張量型別使用當前裝置（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, optional) – 如果 autograd 應該記錄返回張量上的操作。預設值：False。

返回

一個大小為 $(\text{window\_length},)$ 的 1-D 張量，包含窗函式的值。

返回型別

張量