torch.fft.fft

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

计算一维离散傅里叶变换的输入。

注意

任何实信号的傅里叶域表示都满足厄米特性：X[i] = conj(X[-i])。此函数总是返回正频率和负频率项，尽管对于实输入，负频率是冗余的。rfft()返回更紧凑的单边表示，其中仅返回正频率。

注意

支持在CUDA上使用GPU架构SM53或更高版本的torch.half和torch.chalf。 然而，它仅支持每个变换维度中信号长度为2的幂次方。

Parameters

• 输入 (张量) – 输入张量

• n (int, 可选) – 信号长度。如果给出，输入将在计算FFT之前被零填充或截断到这个长度。

• dim (int, 可选) – 沿此维度进行一维FFT。

• norm (str, optional) –

  归一化模式。对于正向变换 (fft())，这些对应于：

  • "forward" - 通过 1/n 归一化

  • "backward" - 不进行归一化

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

  使用相同的归一化模式调用反向变换 (ifft()) 将在两次变换之间应用 1/n 的总体归一化。这是为了使 ifft() 成为精确的逆变换所必需的。

  默认值为 "backward"（不进行归一化）。

Keyword Arguments

输出 (张量, 可选) – 输出张量。

示例

>>> t = torch.arange(4)
>>> t
张量([0, 1, 2, 3])
>>> torch.fft.fft(t)
张量([ 6.+0.j, -2.+2.j, -2.+0.j, -2.-2.j])

>>> t = torch.tensor([0.+1.j, 2.+3.j, 4.+5.j, 6.+7.j])
>>> torch.fft.fft(t)
张量([12.+16.j, -8.+0.j, -4.-4.j,  0.-8.j])