torch.fft.hfft¶
- torch.fft.hfft(input, n=None, dim=- 1, norm=None, *, out=None) Tensor¶
计算一个厄米对称信号
input的一维离散傅里叶变换。注意
hfft()/ihfft()与rfft()/irfft()相当。实 FFT 期望时域中的实信号，并在频域中给出厄米对称性。厄米 FFT 则相反；时域中厄米对称，频域中为实值。因此，需要特别注意长度参数n，就像irfft()一样。注意
因为时域中的信号是厄米（Hermitian）的，所以在频域中的结果将是实数。请注意，某些输入频率必须是实数，以满足厄米属性。在这些情况下，将忽略虚部。例如，在
input[0]中的任何虚部都会导致一个或多个无法在实数输出中表示的复频域项，因此将始终被忽略。注意
厄米输入的正确解释取决于原始数据的长度，如
n所示。这是因为每个输入形状可能对应于奇长或偶长信号。默认情况下，假设信号是偶长，奇长信号将无法正确往返。因此，建议始终传递信号长度n。注意
支持 CUDA 上的 torch.half 和 torch.chalf，但仅支持每个变换维度的 2 的幂次信号长度。默认参数下，变换维度的尺寸应为(2^n + 1)，其中参数 n 默认为偶数输出大小= 2 * (transformed_dim_size - 1)。
- 参数:
输入（Tensor）- 表示半厄米信号的输入张量
n（int，可选）- 输出信号长度。这决定了实际输出的长度。如果提供，输入将在计算厄米特 FFT 之前被零填充或裁剪到这个长度。默认为偶数输出：
n=2*(input.size(dim) - 1)。dim (int, 可选) – 沿着哪个维度进行一维厄米 FFT。
norm (str, optional) –
正规化模式。对于正向变换（
hfft()），这些对应于："forward"- 通过1/n正规化无规范化
将
"ortho"归一化（使厄米 FFT 正交归一）
使用相同的归一化模式（
ihfft()）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ihfft()成为精确逆变换所必需的。默认为
"backward"（无规范化）。
- 关键字参数:
输出（张量，可选）- 输出张量。
示例
将实值频率信号带入时域得到厄米对称输出：
>>> t = torch.linspace(0, 1, 5) >>> t tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]) >>> T = torch.fft.ifft(t) >>> T tensor([ 0.5000-0.0000j, -0.1250-0.1720j, -0.1250-0.0406j, -0.1250+0.0406j, -0.1250+0.1720j])
注意
T[1] == T[-1].conj()和T[2] == T[-2].conj()是冗余的。因此，我们可以不考虑负频率来计算正向变换：>>> torch.fft.hfft(T[:3], n=5) tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
类似于
irfft()，为了恢复偶数长度的输出，必须给出输出长度：>>> torch.fft.hfft(T[:3]) tensor([0.1250, 0.2809, 0.6250, 0.9691])
