Python PyTorch rfft用法及代码示例

本文简要介绍python语言中 torch.fft.rfft 的用法。

用法:

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

参数：

• input(Tensor) -真实输入张量

• n(int,可选的) -信号长度。如果给定，则在计算实际 FFT 之前，输入将被零填充或修剪到该长度。

• dim(int,可选的) -沿其进行一维实数 FFT 的维度。

• norm(str,可选的) -

  标准化模式。对于正向变换(rfft())，这些对应于：

  • "forward" - 通过 1/n 标准化

  • "backward" - 没有标准化

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

  使用相同的归一化模式调用反向变换 ( irfft() ) 将在两个变换之间应用 1/n 的整体归一化。这是使 irfft() 完全相反所必需的。

  默认为"backward"(无规范化)。

关键字参数：

out(Tensor,可选的) -输出张量。

计算实值 input 的一维傅里叶变换。

实信号的 FFT 是 Hermitian 对称的，X[i] = conj(X[-i])，因此输出仅包含低于 Nyquist 频率的正频率。要计算完整输出，请使用 fft()

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])

与 fft() 的完整输出进行比较：

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

请注意，省略了对称元素T[-1] == T[1].conj()。在奈奎斯特频率 T[-2] == T[2] 是它自己的对称对，因此必须始终是实值。