Table of Contents
Shortcuts

torch.fft.rfft

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

计算实值输入的一维傅里叶变换。

实信号的FFT是厄米特对称的，X[i] = conj(X[-i]) 所以输出仅包含奈奎斯特频率以下的正频率。 要计算完整的输出，请使用 fft()

注意

支持在具有GPU架构SM53或更高的CUDA上使用torch.half。 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) – 实数输入张量

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

  • dim (int, 可选) – 沿此维度进行一维实数FFT。

  • norm (str, optional) –

    归一化模式。对于正向变换 (rfft())，这些对应于：

    • "forward" - 归一化因子为 1/n

    • "backward" - 不进行归一化

    • "ortho" - 归一化因子为 1/sqrt(n)（使FFT正交）

    使用相同的归一化模式调用反向变换 (irfft()) 将在两次变换之间应用总体归一化因子 1/n。这是为了使 irfft() 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.rfft(t)
张量([ 6.+0.j, -2.+2.j, -2.+0.j])

与fft()的完整输出进行比较：

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

请注意，对称元素 T[-1] == T[1].conj() 被省略了。 在奈奎斯特频率 T[-2] == T[2] 处，它是自身的对称对， 因此必须始终是实数值。

优云智算