torch.std_mean

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

计算指定维度 dim 上数据的标准差和均值。dim 可以是单个维度、维度列表，或者 None（表示计算所有维度）。

标准差 ($\sigma$) 计算公式如下：

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

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，则输出张量的尺寸与 input 相同，除了在 dim 指定的维度上尺寸为 1。否则，dim 会被压缩（参见 torch.squeeze()），导致输出张量比输入张量少 1 个（或 len(dim) 个）维度。

参数

• input (Tensor) – 输入张量。

• dim（int 或 tuple of ints, optional）– 要约简的维度。如果为 None，则约简所有维度。

关键字参数

• correction（int）–

  样本数量和样本自由度之间的差值。默认为 Bessel 校正，即 correction=1。

  版本 2.0 已更改：先前此参数名为 unbiased，是一个布尔值，True 对应 correction=1，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

一个元组 (std, mean)，包含标准差和均值。

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]]))