torch.fft.fft

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

Вычисляет одномерное дискретное преобразование Фурье для input.

Примечание

Представление любого действительного сигнала в области Фурье обладает эрмитовым свойством: X[i] = conj(X[-i]). Эта функция всегда возвращает составляющие как положительных, так и отрицательных частот, хотя для действительных входных данных отрицательные частоты являются избыточными. rfft() возвращает более компактное одностороннее представление, содержащее только положительные частоты.

Примечание

Поддерживает torch.half и torch.chalf на CUDA с архитектурой GPU SM53 или выше. Однако функция поддерживает только длину сигнала, равную степени 2, в каждом преобразуемом измерении.

Параметры:

• input (Tensor) – входной тензор
• n (int, опционально) – Длина сигнала. Если указана, перед вычислением FFT входные данные будут дополнены нулями или обрезаны до этой длины.
• dim (int, опционально) – Измерение, вдоль которого выполняется одномерное FFT.

• norm (str, опционально) –

  Режим нормализации. Для прямого преобразования (fft()) доступны следующие варианты:

  • "forward" — нормализация делением на 1/n
  • "backward" — без нормализации
  • "ortho" — нормализация делением на 1/sqrt(n) (преобразование FFT становится ортонормированным)

  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 используется "backward" (без нормализации).

Именованные аргументы:

out (Tensor, опционально) – 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])