torch.fft.rfftfreq

torch.fft.rfftfreq(n, d=1.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

计算具有大小为 n 的信号的 rfft() 样本频率。

注意

rfft() 返回厄米单边输出，因此只返回正频率项。对于长度为 n 的实 FFT 以及以长度单位 d 间隔的输入，频率为：

f = torch.arange((n + 1) // 2) / (d * n)

注意

对于偶数长度， f[n/2] 处的奈奎斯特频率可以认为是正的或负的。与 fftfreq() 不同， rfftfreq() 总是返回正数。

参数:

• n (int) – 实际 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.rfftfreq(5)
tensor([0.0000, 0.2000, 0.4000])

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

与 fftfreq() 的输出相比，我们发现 f[2] 处的奈奎斯特频率的符号已改变：>>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])