torch.fft.fft

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

Вычисляет одномерное дискретное преобразование Фурье input.

Примечание

Представление в частотной области любого реального сигнала удовлетворяет свойству Эрмита: X[i] = conj(X[-i]). Эта функция всегда возвращает как положительные, так и отрицательные частотные компоненты, даже если для вещественных входных данных отрицательные частоты избыточны. rfft() возвращает более компактное одностороннее представление, в котором возвращаются только положительные частоты.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако поддерживает только длину сигнала, являющуюся степенью двойки, в каждой преобразуемой размерности.

Параметры:

• input (Тензор) – входной тензор
• n (int, необязательно) – Длина сигнала. Если указано, вход будет дополнен нулями или обрезан до этой длины перед вычислением БПФ.
• dim (int, необязательно) – Размерность, по которой вычисляется одномерное БПФ.

• norm (строка, необязательно) –

  Режим нормализации. Для прямого преобразования (fft()), они соответствуют:

  • "forward" - нормализация на 1/n
  • "backward" - без нормализации
  • "ortho" - нормализация на 1/sqrt(n) (делающая БПФ ортогональным)

  Вызов обратного преобразования (ifft()) с тем же режимом нормализации применит общую нормализацию 1/n между двумя преобразованиями. Это необходимо, чтобы ifft() было точным обратным преобразованием.

  По умолчанию "backward" (без нормализации).

Ключевые аргументы:

out (Тензор, необязательно) – выходной тензор.

Пример

>>> 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])