torch.fft.fftfreq

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

Вычисляет частоты дискретного преобразования Фурье для сигнала размера n.

Примечание

По соглашению, fft() возвращает сначала положительные частоты, а затем отрицательные в обратном порядке, так что f[-i] для всех $0 < i \leq n/2`$ в Python возвращает отрицательные частоты. Для преобразования Фурье длиной n и с входными данными, заданными в единицах длины d, частоты будут:

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

Примечание

Для чётных длин частота Найквиста в f[n/2] может рассматриваться как отрицательная или положительная. fftfreq() следует соглашению NumPy и принимает её как отрицательную.

Параметры:

• n (int) – длина преобразования Фурье
• d (float, необязательно) – масштаб длины дискретизации. Расстояние между отдельными выборками входных данных для преобразования Фурье. По умолчанию предполагается единичное расстояние, деление полученного результата на фактическое расстояние даёт результат в единицах физической частоты.

Ключевые аргументы:

• out (Tensor, необязательно) – выходной тензор.
• dtype (torch.dtype, optional) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, используется глобальный стандарт (см. torch.set_default_tensor_type()).
• layout (torch.layout, optional) – желаемая структура возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, optional) – желаемая устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет CPU для тензоров CPU и текущее CUDA-устройство для CUDA-тензоров.
• requires_grad (bool, необязательно) – Если автограду следует записывать операции над возвращаемым тензором. По умолчанию: False.

Пример

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

Для чётного входа мы видим, что частота Найквиста в f[2] задаётся как отрицательная:

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