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 可以是一個單個維度、維度列表或 None 以在所有維度上進行歸約。

標準差 ($\sigma$) 的計算公式為

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

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

如果 keepdim 為 True，輸出張量的大小與 input 相同，只是在維度 dim 上大小為 1。否則，dim 會被壓縮（參閱 torch.squeeze()），導致輸出張量的維度減少 1 (或 len(dim)) 個。

引數

• input (Tensor) – 輸入張量。

• dim (int 或 tuple of int, 可選) – 用於歸約的一個或多個維度。如果為 None，則在所有維度上進行歸約。

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 Bessel 校正，即 correction=1。

  在 2.0 版本中更改: 之前此引數名為 unbiased 且為布林值，True 對應 correction=1，False 對應 correction=0。

• keepdim (bool) – 輸出張量是否保留 dim 的維度。

• out (Tensor, 可選) – 輸出張量。

返回值

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]])
>>> 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]]))