torch.std_mean

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

计算由 dim 指定的维度上的标准差和均值。 dim 可以是单个维度、维度列表或 None，以对所有维度进行归约。

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 $x$ 是元素的样本集，$\bar{x}$ 是样本均值，$N$ 是样本数量，$\delta N$ 是 correction。

如果 keepdim 为 True，则输出张量与 input 的大小相同，除了在维度 dim 上大小为 1。否则，dim 会被压缩（参见 torch.squeeze()），导致输出张量少了一个维度（或 len(dim) 个维度）。

参数

• input (Tensor) – 输入张量。

• dim (int 或 tuple of ints, 可选) – 要减少的维度。如果为 None，则所有维度都会被减少。

关键字参数

• correction (int) –

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

  在 2.0 版本中更改：之前此参数称为 unbiased，是一个布尔值，True 对应于 correction=1，False 对应于 correction=0。

• keepdim (bool) – 输出张量是否保留 dim。

• out (Tensor, 可选) – 输出张量。

返回值

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]])
>>> 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]]))