torch.std_mean

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

计算指定维度 dim 上的标准差和均值。 dim 可以是单个维度、维度列表，或者 None（表示减化所有维度）。

标准差 ($\sigma$) 计算如下：

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

其中 $x$ 是样本集中的元素， $\bar{x}$ 是样本均值， $N$ 是样本数量， $\delta N$ 是 correction。

如果 keepdim 为 True，则输出张量的大小与 input 相同，只有在 dim 维度上大小为 1。否则，dim 将被挤压（参见 torch.squeeze()），导致输出张量维度减少 1（或 len(dim)）个。

参数

• input (Tensor) – 输入张量。

• dim (int 或 tuple of ints, optional) – 要规约的维度或维度。如果为 None，则规约所有维度。

关键字参数

• correction (int) –

  样本大小与样本自由度之间的差值。默认为 贝塞尔校正，即 correction=1。

  已在 2.0 版本更改： 以前此参数称为 unbiased，是一个布尔值，True 对应 correction=1，而 False 对应 correction=0。

• keepdim (bool, optional) – 输出张量是否保留 dim。默认为 False。

• out (Tensor, optional) – 输出张量。

返回

一个包含标准差和均值的元组 (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]]))