torch.fft.fft

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

计算一维离散傅里叶变换 input 。

注意

任何实信号的傅里叶域表示都满足厄米性质：X[i] = conj(X[-i])。此函数始终返回正负频率项，尽管对于实数输入，负频率是多余的。 rfft() 返回更紧凑的单边表示，其中只返回正频率。

注意

支持 CUDA 上的 torch.half 和 torch.chalf，且 GPU 架构 SM53 或更高。但是，它只支持每个变换维度的 2 的幂次信号长度。

参数:

• 输入（张量）- 输入张量

• n（int，可选）- 信号长度。如果提供，输入将在计算 FFT 之前被零填充或裁剪到这个长度。

• dim（int，可选）- 沿着哪个维度进行一维 FFT。

• norm (str, optional) –

  标准化模式。对于正向变换（ fft() ），这些对应于：

  • "forward" - 通过 1/n 标准化

  • "backward" - 不进行标准化

  • 通过 1/sqrt(n) 进行归一化（使 FFT 正交归一）

  使用相同的归一化模式（ ifft() ）调用反向变换，将在两个变换之间应用整体归一化（ 1/n ）。这是使 ifft() 成为精确逆变换所必需的。

  默认为 "backward" （无归一化）。

关键字参数:

输出（张量，可选）- 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])