torch.fft.fftfreq

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

Вычисляет частоты отсчётов дискретного преобразования Фурье для сигнала размером n.

Примечание

По соглашению fft() сначала возвращает компоненты с положительными частотами, за которыми следуют отрицательные частоты в обратном порядке, поэтому f[-i] для всех $0 < i \leq n/2`$ в Python соответствуют компонентам с отрицательными частотами. Для БПФ длины n с входными данными, отсчёты которых расположены на расстоянии d единиц длины, частоты равны:

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

Примечание

Для чётных длин частоту Найквиста при f[n/2] можно считать как отрицательной, так и положительной. fftfreq() следует соглашению NumPy и считает её отрицательной.

Параметры:

• n (int) – длина БПФ
• d (float, optional) – Масштаб длины интервала дискретизации. Расстояние между отдельными отсчётами входных данных БПФ. По умолчанию предполагается единичный интервал; деление результата на фактический интервал даёт результат в физических единицах частоты.

Именованные аргументы:

• out (Tensor, optional) – выходной тензор.
• dtype (torch.dtype, optional) – требуемый тип данных возвращаемого тензора. По умолчанию: если None, используется глобальное значение по умолчанию (см. torch.set_default_dtype()).
• layout (torch.layout, optional) – требуемый формат возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, optional) – требуемое устройство для возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_device()). device будет CPU для типов тензоров CPU и текущим устройством CUDA для типов тензоров CUDA.
• requires_grad (bool, optional) – следует ли autograd 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 входных данных чётной длины частота Найквиста при f[2] задаётся как отрицательная:

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