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样本频率。

注意

按照惯例， fft() 首先返回正频率项，然后是负频率项的逆序，因此对于所有 $0 < i \leq n/2`$ 的 f[-i] 在 Python 中给出负频率项。对于长度为 n 的 FFT 以及以长度单位 d 间隔的输入，频率为：

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

注意

对于偶数长度， f[n/2] 的奈奎斯特频率可以认为是正的或负的。 fftfreq() 遵循 NumPy 的惯例，将其视为负的。

参数:

• n (int) – FFT 长度

• d (float，可选) – 样本长度尺度。FFT 输入个别样本之间的间距。默认假设单位间距，将结果除以实际间距，得到物理频率单位的结果。

关键字参数:

• 输出（张量，可选）- 输出张量。

• dtype ( torch.dtype ，可选) – 返回张量的期望数据类型。默认：如果 None ，则使用全局默认值（见 torch.set_default_dtype() ）。

• layout ( torch.layout ，可选) – 返回 Tensor 的期望布局。默认： torch.strided 。

• device ( torch.device ，可选) – 返回张量的期望设备。默认：如果 None ，则使用当前设备用于默认张量类型（见 torch.set_default_device() ）。 device 将是 CPU 张量类型的 CPU 和 CUDA 张量类型的当前 CUDA 设备。

• requires_grad (bool，可选) – 如果 autograd 应记录对返回张量的操作。默认： False 。

示例

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

对于偶数输入，我们可以看到在 f[2] 处的奈奎斯特频率被给出为负值：

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