STFT 使用记录

torch.stft

以滑动窗口形式，在不同窗口内部做FFT，时域数据到频域数据

调用参数：

torch.stft(input, n_fft, hop_length=None, win_length=None, window=None, 
center=True, pad_mode='reflect', normalized=False, onesided=None, return_complex=None)

输入:

 1维时域数据 shape(L) 或 2维时域数据 shape(batch, L)

输出：

（N, T, 2） 或 （batchsize, N, T, 2）

其中N为频段数，T为使用的总帧数，2为频谱的实部和虚部

N = n_fft // 2 + 1

T = (L - 1) // hopsize + 1， hopsize默认值为 1/4 的n_fft

其他参数：

hop_length  默认为n_fft/4，每次滑动窗口的步长，即每次的帧移

win_length  默认等于n_fft。需要满足win_length <= n_fft。因为fft要求输入的时域数据点数=输出的频段点数，所以当采样出win_length个时域数据时，需要用0填充至n_fft个

window  shape (n_fft, )，可以由torch.hann_window()等函数生成。其本质是一个加权求和操作里的“权重”。如果当win_length < n_fft时，torch.hann_window() 生成的窗也会被填充成（n_fft,）

在使用过程中，发现输出的维度（batchsize, N, T, 2） 中的 T 比计算的分帧要多一帧，参考官方文档：torch.stft — PyTorch 1.12 documentation

其中有一个参数 center 默认为true，输入会在两侧pad，pad长度为n_fft // 2。如果将center设为false，则不再两侧pad。pad的value不是0，默认pad_mode 为‘reflect’ ，即为反射，如果输入的信号为：1，2，3，4，5，6， 在两侧pad  n_fft // 2 = 3个，则pad之后的结果为：

4，3，2，【1，2，3，4，5，6】，5，4，3