torch.fft.rfftfreq#

torch.fft.rfftfreq(n, d=1.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor#

计算 rfft() 的采样频率，信号大小为 n。

注意

rfft() 返回厄米单边输出，因此只返回正频率项。对于长度为 n 的实数 FFT，并且输入间隔为 d，频率为

f = torch.arange((n + 1) // 2) / (d * n)

注意

对于偶数长度，在 f[n/2] 处的奈奎斯特频率可以被认为是负频率或正频率。与 fftfreq() 不同，rfftfreq() 始终将其返回为正数。

参数

n (int) – 实数 FFT 的长度
d (float, optional) – 采样长度尺度。FFT 输入的各个样本之间的间隔。默认假设单位间隔，将该结果除以实际间隔即可得到物理频率单位的结果。

关键字参数

out (Tensor, optional) – 输出张量。
dtype (torch.dtype, optional) – 返回张量的期望数据类型。默认值：如果 None，则使用全局默认值（参见 torch.set_default_dtype()）。
layout (torch.layout, 可选) – 返回张量的所需布局。默认：torch.strided。
device (torch.device, optional) – 返回张量的期望设备。默认值：如果为 None，则使用默认张量类型的当前设备（请参阅 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU，对于 CUDA 张量类型，将是当前 CUDA 设备。
requires_grad (bool, optional) – 如果 autograd 应记录在返回的张量上的操作。默认值：False。

示例

>>> torch.fft.rfftfreq(5)
tensor([0.0000, 0.2000, 0.4000])

>>> torch.fft.rfftfreq(4)
tensor([0.0000, 0.2500, 0.5000])

与 fftfreq() 的输出相比，我们发现 f[2] 处的奈奎斯特频率改变了符号：>>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])

文档