torch.fft.rfft

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

Вычисляет одномерное преобразование Фурье вещественной input.

Преобразование Фурье вещественного сигнала является эрмитово-симметричным, X[i] = conj(X[-i]) поэтому вывод содержит только положительные частоты ниже частоты Найквиста. Для вычисления полного вывода используйте fft()

Примечание

Поддерживает torch.half на CUDA с архитектурой GPU SM53 или выше. Однако он поддерживает только длину сигнала, являющуюся степенью двойки, в каждой преобразуемой размерности.

Параметры

• input (Тензор) – вещественный входной тензор
• n (int, необязательно) – Длина сигнала. Если задано, входной сигнал будет либо дополнен нулями, либо обрезан до этой длины перед вычислением вещественного преобразования Фурье.
• dim (int, необязательно) – Размерность, по которой выполняется одномерное вещественное преобразование Фурье.

• norm (str, необязательно) –

  Режим нормализации. Для прямого преобразования (rfft()), они соответствуют:

  • "forward" - нормализация по 1/n
  • "backward" - без нормализации
  • "ortho" - нормализация по 1/sqrt(n) (делая преобразование Фурье ортогональным)

  Вызов обратного преобразования (irfft()) с тем же режимом нормализации применит общую нормализацию 1/n между двумя преобразованиями. Это необходимо, чтобы irfft() было точным обратным преобразованием.

  По умолчанию "backward" (без нормализации).

Ключевые аргументы

out (Тензор, необязательно) – 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 выводом от 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() опущен. На частоте Найквиста T[-2] == T[2] он является собственным симметричным дублетом, и, следовательно, всегда должен быть вещественным.