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 положительные частотные компоненты вначале, а затем отрицательные частоты в обратном порядке, так что f[-i] для всех $0 < i \leq n/2$ в Python даёт отрицательные частотные компоненты. Для преобразования Фурье длины n и с входными данными, отстоящими на единицу длины d, частоты равны:

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, принимая её за отрицательную.

Parameters

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

Keyword Arguments

• out (Tensor, optional) – 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) – желаемое 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, optional) – 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 входного сигнала мы можем увидеть, что частота Найквиста в f[2] задана как отрицательная:

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