torch.nanmean

torch.nanmean(input, dim=None, keepdim=False, *, dtype=None, out=None) → Tensor

计算指定维度上所有“非 NaN”元素的平均值。输入必须是浮点数或复数。

当输入张量中没有“NaN”值时，此函数与 torch.mean() 相同。在存在“NaN”的情况下，torch.mean() 会将“NaN”传播到输出，而 torch.nanmean() 会忽略“NaN”值（torch.nanmean(a) 等效于 torch.mean(a[~a.isnan()])）。

如果 keepdim 为 True，则输出张量与 input 大小相同，除了维度 dim 为大小 1 外。否则，dim 将被压缩（参见 torch.squeeze()），导致输出张量减少 1 个（或 len(dim) 个）维度。

参数

• input (Tensor) – 输入张量，浮点型或复数型

• dim (int 或 tuple of ints, 可选) – 要减少的维度。如果为 None，则减少所有维度。

• keepdim (bool) – 输出张量是否保留 dim。

关键字参数

• dtype (torch.dtype，可选) – 返回张量的所需数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype。这对于防止数据类型溢出很有用。默认值：None。

• out (Tensor, 可选) – 输出张量。

另请参阅

torch.mean() 计算平均值，传播“NaN”。

示例

>>> x = torch.tensor([[torch.nan, 1, 2], [1, 2, 3]])
>>> x.mean()
tensor(nan)
>>> x.nanmean()
tensor(1.8000)
>>> x.mean(dim=0)
tensor([   nan, 1.5000, 2.5000])
>>> x.nanmean(dim=0)
tensor([1.0000, 1.5000, 2.5000])

# If all elements in the reduced dimensions are NaN then the result is NaN
>>> torch.tensor([torch.nan]).nanmean()
tensor(nan)