python写短时傅里叶变换
调用“ torch.stft ”函数
torch.stft() 是 PyTorch 中用于计算短时傅里叶变换 (STFT) 的函数， 它的主要功能是将一个 1D/2D/3D 张量组成的时间序列 (time series) 转化为 STFT 值。该函数通过在时间域上对信号进行滑动窗口并执行 FFT 来计算 STFT。它的函数原型如下：
torch.stft(input, n_fft, hop_length=None, win_length=None, window=None, center=True, pad_mode='reflect', normalized=False, onesided=True, return_complex=True)
其中比较重要的参数有：
input: 需要进行 STFT 的输入张量，其支持形状为 [batch_size, n_channels, time_steps] 或 [batch_size, time_steps]。n_fft: FFT 窗口的大小，默认是 2048。常用的数值有 1024，2048 和 4096。hop_length: STFT 滑动窗口的步长，默认是n_fft // 4。常用的数值有 256 和 512。win_length: 每个窗口的大小。如果未指定，则默认win_length = n_fft。window: 可以手动定义窗体函数，默认使用汉明窗（Hann Window）。normalized: 指定是否进行归一化。默认不归一化。return_complex: 是否返回复数张量，默认返回。
附带说明，使用汉明窗的示例如下：
import torch
import numpy as np
x = torch.from_numpy(np.random.randn(1, 44100).astype(np.float32))
mag_spec, phase = torch.stft(x, n_fft=2048, hop_length=512, window=torch.hann_window(2048))
其中 window 参数传入了汉明窗函数，大小为2048，也可以使用其他窗口函数；n_fft 和 hop_length 也可以自由定义，而 return_complex=True 是默认值。
更新逆变换，还原
短时傅里叶变换的逆变换调用：“ torch.istft ”
torch.istft(input, n_fft, hop_length=None, win_length=None, window=None, center=True, normalized=False, onesided=True, length=None)下面是函数的一些主要参数及含义：
input：输入的 STFT 数据，形状为(batch, channels, freq, time, complex=2)，其中complex=2表示使用实部和虚部表示复数；n_fft：傅里叶变换的窗口大小，通常应该与 STFT 使用的 n_fft 参数保持一致；hop_length：帧移的大小，通常应该与 STFT 使用的 hop_length 参数保持一致；win_length：窗口长度，通常应该与 STFT 使用的 win_length 参数保持一致；window：窗口类型，可以是一个长度为 win_length 的张量；center：是否基于中心点进行傅里叶变换，默认为 True；normalized：是否进行归一化，默认为 False，建议与 STFT 保持一致；onesided：是否只保留正频率部分，默认为 True，即只保留频谱的左半部分；length：输出信号的长度，如果未指定，则会从输入 STFT 数据计算得到。
返回输出的 ISTFT 数据，形状为 (batch, channels, time)。
需要注意的是，ISTFT 并不总是能够完全恢复原始的信号，这取决于 STFT 中所使用的窗口类型、帧移大小和信号本身的特性等因素。因此，在具体使用过程中，需要根据实际情况进行调参和优化。