torch.fft.fftfreq#

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

计算大小为n的信号的离散傅里叶变换采样频率。

注意

按照惯例，fft() 首先返回正频率项，然后是反序的负频率项，因此对于所有 Python 中的 $0 < i \leq n/2$ ，f[-i]给出负频率项。对于长度为 n 且输入间隔为 d 的 FFT，频率为

f = [0, 1, ..., (n - 1) // 2, -(n // 2), ..., -1] / (d * n)

注意

对于偶数长度，奈奎斯特频率 f[n/2] 可以被视为负频率或正频率。fftfreq() 遵循 NumPy 的约定，将其视为负频率。

参数

n (int) – FFT 的长度
d (float, optional) – 采样长度尺度。FFT 输入的单个样本之间的间隔。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：如果为 None，则使用全局默认值（参见 torch.set_default_dtype()）。
layout (torch.layout, optional) – 返回张量的期望布局。默认值：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（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，将是当前的 CUDA 设备。
requires_grad (bool, optional) – 是否应由 autograd 记录返回张量上的操作。默认值：False。

示例

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

对于偶数输入，我们可以看到 f[2] 处的奈奎斯特频率被视为负值

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

文档