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 視窗函數。

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

其中 $N$ 是完整的視窗大小。

輸入 window_length 是一個正整數，用於控制返回的視窗大小。periodic 標記決定是否從對稱視窗中刪除最後一個重複值，並且準備好作為週期性視窗與 torch.stft() 之類的函數一起使用。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，我們始終有 torch.hamming_window(L, periodic=True) 等於 torch.hamming_window(L + 1, periodic=False)[:-1])。

注意

如果 window_length $=1$，則返回的視窗包含單個值 1。

注意

這是 torch.hann_window() 的一般化版本。

參數

• window_length (int) – 返回的視窗大小

• periodic (bool, optional) – 如果為 True，則返回要用作週期函數的視窗。如果為 False，則返回對稱視窗。

• alpha (float, optional) – 方程式中的係數 $\alpha$

• beta (float, optional) – 方程式中的係數 $\beta$

關鍵字參數

• dtype (torch.dtype, optional) – 返回張量的所需資料類型。預設值：如果 None，則使用全域預設值 (請參閱 torch.set_default_dtype())。僅支援浮點數類型。

• layout (torch.layout, optional) – 返回視窗張量的所需佈局。僅支援 torch.strided (密集佈局)。

• device (torch.device, optional) – 返回張量的所需裝置。預設值：如果 None，則針對預設張量類型使用目前的裝置 (請參閱 torch.set_default_device())。對於 CPU 張量類型，device 將為 CPU；對於 CUDA 張量類型，則為目前的 CUDA 裝置。

• requires_grad (bool, optional) – 如果 autograd 應該記錄傳回張量的運算。預設值：False。

傳回

一個大小為 $(\text{window\_length},)$ 的一維張量，其中包含視窗。

傳回類型

張量