torch.fft.rfftfreq

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

Вычисляет частоты дискретизации для rfft() с сигналом размера n.

Примечание

rfft() возвращает эрмитовую одностороннюю выходную информацию, поэтому возвращаются только положительные частотные составляющие. Для вещественного Фурье-преобразования длины n и с входными данными, расположенными с шагом d, частоты:

f = torch.arange((n + 1) // 2) / (d * n)

Примечание

Для чётных длин частота Найквиста в f[n/2] может рассматриваться как отрицательная или положительная. В отличие от fftfreq(), rfftfreq() всегда возвращает её как положительную.

Параметры

• n (int) – фактическая длина БПФ
• d (float, необязательно) – масштаб длины выборки. Расстояние между отдельными выборками входного БПФ. По умолчанию предполагается единичное расстояние, деление этого результата на фактическое расстояние даёт результат в единицах физической частоты.

Именованные аргументы

• out (Tensor, необязательно) – 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) – желаемое расположение 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 ЦП для тензоров ЦП и текущее устройство CUDA для тензоров CUDA.
• requires_grad (bool, необязательно) – Если автоград должен записывать операции над возвращаемым тензором. По умолчанию: False.

Пример

>>> torch.fft.rfftfreq(5)
tensor([0.0000, 0.2000, 0.4000])

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

В сравнении с выводом из fftfreq(), мы видим, что частота Найквиста в f[2] изменила знак: >>> torch.fft.fftfreq(4) tensor([ 0.0000, 0.2500, -0.5000, -0.2500])