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])，所以输出只包含奈奎斯特频率以下的正频率。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，它仅支持每个变换维度的2的幂信号长度。

参数

• input (Tensor) – 输入的实值张量

• n (int, optional) – 信号长度。如果给定，则在计算实值傅里叶变换之前，输入将被零填充或截断到此长度。

• dim (int, optional) – 沿哪个维度计算一维实值傅里叶变换。

• norm (str, optional) –

  归一化模式。对于正向变换（rfft()），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（irfft()）将在两次变换之间应用1/n的总体归一化。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。在奈奎斯特频率T[-2] == T[2]处，它是它自己的对称对，因此必须始终是实数值。