torch.fft.rfft

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

計算實數值 input 的一維傅立葉轉換。

實數訊號的 FFT 是 Hermitian 對稱的， X[i] = conj(X[-i])，因此輸出僅包含奈奎斯特頻率以下的正頻率。要計算完整的輸出，請使用 fft()

注意

在 GPU 架構 SM53 或更高版本的 CUDA 上支持 torch.half。 但是，它僅支持每個轉換維度中 2 的冪的訊號長度。

參數

• input (Tensor) – 實數輸入張量

• n (int, optional) – 訊號長度。 如果給定，輸入將在計算實數 FFT 之前被零填充或修剪到此長度。

• dim (int, optional) – 沿哪個維度進行一維實數 FFT。

• norm (str, optional) –

  正規化模式。 對於正向轉換 (rfft())，這些對應於

  • "forward" - 按 1/n 正規化

  • "backward" - 不進行正規化

  • "ortho" - 按 1/sqrt(n) 正規化（使 FFT 正交）

  使用相同的正規化模式調用反向轉換 (irfft()) 將在兩個轉換之間應用 1/n 的整體正規化。 這是使 irfft() 成為精確反轉換所必需的。

  默認值為 "backward" （不進行正規化）。

關鍵字參數

out (Tensor, optional) – 輸出張量。

範例

>>> 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，省略了對稱元素 T[-1] == T[1].conj()。 在奈奎斯特頻率 T[-2] == T[2] 時，它是自身的對稱對，因此必須始終為實數值。