torch.std_mean

torch.std_mean(input, dim=None, *, correction=1, keepdim=False, out=None)

計算指定維度 dim 上的標準差和均值。 dim 可以是單個維度、維度列表，或者 None（表示減化所有維度）。

標準差 ($\sigma$) 計算如下：

$$\sigma = \sqrt{\frac{1}{\max(0,~N - \delta N)}\sum_{i=0}^{N-1}(x_i-\bar{x})^2}$$

其中 $x$ 是樣本集中的元素， $\bar{x}$ 是樣本均值， $N$ 是樣本數量， $\delta N$ 是 correction。

如果 keepdim 為 True，則輸出張量的大小與 input 相同，只有在 dim 維度上大小為 1。否則，dim 將被擠壓（參見 torch.squeeze()），導致輸出張量維度減少 1（或 len(dim)）個。

引數

• input (Tensor) – 輸入張量。

• dim (int 或 tuple of ints, optional) – 要規約的維度或維度。如果為 None，則規約所有維度。

關鍵字引數

• correction (int) –

  樣本大小與樣本自由度之間的差值。預設為 貝塞爾校正，即 correction=1。

  已在 2.0 版本更改： 以前此引數稱為 unbiased，是一個布林值，True 對應 correction=1，而 False 對應 correction=0。

• keepdim (bool, optional) – 輸出張量是否保留 dim。預設為 False。

• out (Tensor, optional) – 輸出張量。

返回

一個包含標準差和均值的元組 (std, mean)。

示例

>>> a = torch.tensor(
...     [[ 0.2035,  1.2959,  1.8101, -0.4644],
...      [ 1.5027, -0.3270,  0.5905,  0.6538],
...      [-1.5745,  1.3330, -0.5596, -0.6548],
...      [ 0.1264, -0.5080,  1.6420,  0.1992]]
... )  # fmt: skip
>>> torch.std_mean(a, dim=0, keepdim=True)
(tensor([[1.2620, 1.0028, 1.0957, 0.6038]]),
 tensor([[ 0.0645,  0.4485,  0.8707, -0.0665]]))