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。

实际信号的 FFT 是厄米对称的， X[i] = conj(X[-i]) 因此输出只包含低于奈奎斯特频率的正频率。要计算完整的输出，请使用 fft()

注意

支持 CUDA 上使用 GPU 架构 SM53 或更高版本的 torch.half。但是，它只支持每个变换维度上的 2 的幂次信号长度。

参数:

• 输入（张量）- 真实输入张量

• n（int，可选）- 信号长度。如果提供，输入将在计算实 FFT 之前进行零填充或裁剪到这个长度。

• dim（int，可选）- 沿着该维度进行一维实 FFT。

• norm (str, optional) –

  正规化模式。对于正向变换（ rfft() ），这些对应于：

  • "forward" - 通过 1/n 正规化

  • 无规范化

  • 通过 1/sqrt(n) 进行规范化（使 FFT 正交归一化）

  使用相同的归一化模式（ irfft() ）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 irfft() 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

>>> 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])

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] ，它是自己的对称对，因此必须始终是实数值。