torch.fft.rfftfreq

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

Вычисляет частоты дискретизации для rfft() с сигналом размера n.

Примечание

rfft() возвращает односторонний эрмитов результат, поэтому возвращаются только положительные значения частот. Для вещественного преобразования Фурье длины n с входными данными, интерполированными по d, частоты вычисляются следующим образом:

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

Примечание

Для чётных длин частота Найквиста в f[n/2] может рассматриваться как отрицательная или положительная. В отличие от fftfreq(), rfftfreq() всегда возвращает её как положительную.

Параметры:

• n (int) – длина вещественного преобразования Фурье
• d (float, необязательно) – масштаб дискретизации. Расстояние между отдельными образцами входных данных преобразования Фурье. По умолчанию предполагается единичное расстояние; деление этого результата на фактическое расстояние даёт результат в физических единицах частоты.

Ключевые аргументы:

• out (Тензор, необязательно) – тензор вывода.
• dtype (torch.dtype, optional) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, используется глобальное значение по умолчанию (см. torch.set_default_tensor_type()).
• layout (torch.layout, optional) – желаемая структура возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, optional) – желаемое устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет ЦП для тензоров ЦП и текущее устройство CUDA для тензоров CUDA.
• requires_grad (bool, необязательно) – Если автограду следует записывать операции с возвращаемым тензором. По умолчанию: False.

Пример

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

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

В сравнении с результатом fftfreq(), видим, что знак частоты Найквиста в f[2] изменился: >>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])