torch.fft.rfft

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

计算实值 input 的一维傅里叶变换。

实信号的傅里叶变换是厄米对称的，X[i] = conj(X[-i])，因此输出只包含奈奎斯频率以下的正频率。要计算完整的输出，请使用 fft()

注意

支持 CUDA 上的 torch.half，GPU 架构 SM53 或更高版本。但是，它只支持每个变换维度中长度为 2 的幂的信号。

参数

• input (Tensor) – 实数输入张量

• n (int, optional) – 信号长度。如果给出，输入将在计算实傅里叶变换之前被零填充或修剪到此长度。

• dim (int, optional) – 计算一维实傅里叶变换的维度。

• norm (str, optional) –

  归一化模式。对于正向变换 (rfft())，它们对应于

  • "forward" - 归一化因子为1/n

  • "backward" - 无归一化

  • "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 1/n 的整体归一化。这对于使 irfft() 成为精确逆变换是必需的。

  默认值为"backward"（无归一化）。

关键字参数

out (Tensor, optional) – 输出张量。

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，对称元素 T[-1] == T[1].conj() 被省略了。在奈奎斯频率 T[-2] == T[2] 处，它是它自己的对称对，因此必须始终是实数。