torch.var_mean

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

計算在 dim 指定維度上的方差和均值。 dim 可以是單個維度、維度列表，或者為 None 表示對所有維度進行計算。

方差 ($\sigma^2$) 計算公式如下：

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

其中 $x$ 是樣本元素集合，$\bar{x}$ 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，但在 dim 指定的維度上大小為 1。否則，dim 會被壓縮（參見 torch.squeeze()），導致輸出張量的維度減少 1 個（或 len(dim) 個）。

引數

• input (Tensor) – 輸入張量。

• dim (int 或 int 的 tuple, 可選) – 要進行約減的維度。如果為 None，則約減所有維度。

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 Bessel 校正，即 correction=1。

  版本 2.0 中有變化： 以前此引數名為 unbiased，是一個布林值，其中 True 對應 correction=1，False 對應 correction=0。

• keepdim (bool) – 輸出張量是否保留 dim 指定的維度。

• out (Tensor, 可選) – 輸出張量。

返回值

包含方差和均值的元組 (var, 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.var_mean(a, dim=0, keepdim=True)
(tensor([[1.5926, 1.0056, 1.2005, 0.3646]]),
 tensor([[ 0.0645,  0.4485,  0.8707, -0.0665]]))