mindspore.mint.std_mean

mindspore.mint.std_mean(input, dim=None, *, correction=1, keepdim=False)[源代码]

计算tensor在指定维度上的标准差及平均值。

标准差 (\(\sigma\)) 计算如下：

\[\sigma = \sqrt{\frac{1}{N - \delta N} \sum_{j=0}^{N-1} \left(self_{ij} - \overline{x_{i}}\right)^{2}}\]

其中 \(x\) 表示用来计算标准差的样本集， \(\bar{x}\) 表示样本的均值， \(N\) 表示样本的数量， \(\delta N\) 为 correction 的值。

警告

这是一个实验性API，后续可能修改或删除。

参数：

input (Tensor) - 输入tensor。
dim (Union[int, tuple(int), list(int)], 可选) - 指定维度。如果为 None ，计算 input 中的所有元素。默认 None。

关键字参数：

correction (int, 可选) - 样本大小和样本自由度之间的差异。默认采用贝塞尔校正。默认 1 。
keepdim (bool, 可选) - 输出tensor是否保留维度。如果为 True ，则保留缩小的维度，大小为1。否则移除维度。默认 False 。

返回：

两个tensor组成的tuple(std, mean)。

异常：

ValueError - dim 超出范围。

支持平台：

Ascend

样例：

>>> import mindspore
>>> input = mindspore.tensor([[1.0, 2.0, 3.0, 4.0], [-1.0, 1.0, 4.0, -10.0]])
>>> output_std, output_mean = mindspore.mint.std_mean(input)
>>> output_std
Tensor(shape=[], dtype=Float32, value= 4.56696)
>>> output_mean
Tensor(shape=[], dtype=Float32, value= 0.5)
>>> output_std, output_mean = mindspore.mint.std_mean(input, dim=0)
>>> output_std
Tensor(shape=[4], dtype=Float32, value= [ 1.41421354e+00,  7.07106769e-01,  7.07106769e-01,  9.89949512e+00])
>>> output_mean
Tensor(shape=[4], dtype=Float32, value= [ 0.00000000e+00,  1.50000000e+00,  3.50000000e+00, -3.00000000e+00])
>>> output_std, output_mean = mindspore.mint.std_mean(input, dim=1, keepdim=True)
>>> output_std
Tensor(shape=[2, 1], dtype=Float32, value=
[[ 1.29099441e+00],
 [ 6.02771425e+00]])
>>> output_mean
Tensor(shape=[2, 1], dtype=Float32, value=
[[ 2.50000000e+00],
 [-1.50000000e+00]])
>>> output_std, output_mean = mindspore.mint.std_mean(input, dim=1, correction=2)
>>> output_std
Tensor(shape=[2], dtype=Float32, value= [ 1.58113885e+00,  7.38241148e+00])
>>> output_mean
Tensor(shape=[2], dtype=Float32, value= [ 2.50000000e+00, -1.50000000e+00])