torch.fft.fft

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

计算输入的一维离散傅里叶变换。

注意

任何实信号的傅里叶域表示都满足厄米特性质：X[i] = conj(X[-i])。此函数始终同时返回正频率和负频率项，即使对于实数输入，负频率也是多余的。rfft() 返回更紧凑的单边表示，其中仅返回正频率。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，GPU 架构为 SM53 或更高版本。但是，它仅支持每个变换维度中的 2 的幂信号长度。

参数

• input (Tensor) – 输入张量

• n （int, 可选）– 信号长度。如果给定，将在计算 FFT 之前将输入进行零填充或截断到此长度。

• dim （int, 可选）– 沿其计算一维 FFT 的维度。

• norm （str, 可选）–

  归一化模式。对于正向变换（fft()），这些对应于

  • "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（ifft()）将在两个变换之间施加 1/n 的整体归一化。这对于使 ifft() 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.fft(t)
tensor([ 6.+0.j, -2.+2.j, -2.+0.j, -2.-2.j])

>>> t = torch.tensor([0.+1.j, 2.+3.j, 4.+5.j, 6.+7.j])
>>> torch.fft.fft(t)
tensor([12.+16.j, -8.+0.j, -4.-4.j,  0.-8.j])