torch.fft.rfft

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

Вычисляет одномерное преобразование Фурье вещественного input.

Преобразование Фурье вещественного сигнала обладает эрмитовой симметрией, X[i] = conj(X[-i]) поэтому результат содержит только положительные частоты ниже частоты Найквиста. Чтобы получить полный результат, используйте fft()

Примечание

Поддерживает torch.half на CUDA с архитектурой GPU SM53 или выше. Однако длина сигнала в каждом преобразуемом измерении должна быть степенью числа 2.

Параметры:

• input (Tensor) – входной тензор с вещественными значениями
• n (int, необязательный) – Длина сигнала. Если задана, перед вычислением вещественного преобразования Фурье входные данные будут дополнены нулями или обрезаны до этой длины.
• dim (int, необязательный) – Измерение, вдоль которого выполняется одномерное вещественное преобразование Фурье.

• norm (str, необязательный) –

  Режим нормализации. Для прямого преобразования (rfft()) ему соответствуют следующие варианты:

  • "forward" — нормализация по 1/n
  • "backward" — без нормализации
  • "ortho" — нормализация по 1/sqrt(n) (преобразование Фурье становится ортонормированным)

  Вызов обратного преобразования (irfft()) с тем же режимом нормализации обеспечит общую нормализацию 1/n для двух преобразований. Это необходимо, чтобы irfft() было точным обратным преобразованием.

  По умолчанию используется "backward" (без нормализации).

Именованные аргументы:

out (Tensor, необязательный) – выходной тензор.

Пример

>>> t = torch.arange(4)
>>> t
tensor([0, 1, 2, 3])
>>> torch.fft.rfft(t)
tensor([ 6.+0.j, -2.+2.j, -2.+0.j])

Сравните с полным результатом fft():

>>> torch.fft.fft(t)
tensor([ 6.+0.j, -2.+2.j, -2.+0.j, -2.-2.j])

Обратите внимание, что симметричный элемент T[-1] == T[1].conj() не включён. На частоте Найквиста T[-2] == T[2] является собственной симметричной парой, поэтому его значение всегда должно быть вещественным.