mindspore.mint.var_mean
- mindspore.mint.var_mean(input, dim=None, *, correction=1, keepdim=False)[源代码]
计算tensor在指定维度上的方差及平均值。
方差 (\(\sigma ^2\)) 计算如下：
\[\sigma ^2 = \frac{1}{N - \delta N} \sum_{j=0}^{N-1} \left(self_{ij} - \overline{x_{i}}\right)^{2}\]其中 \(x\) 表示用来计算方差的样本集， \(\bar{x}\) 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) - 指定计算维度。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，取值
1。keepdim (bool, 可选) - 输出tensor是否保留维度。默认
False。
- 返回：
两个tensor组成的tuple(var, mean)。
- 支持平台：
Ascend
样例：
>>> import mindspore >>> input = mindspore.tensor([[1, 3, 4, 2], [4, 2, 5, 3], [5, 4, 2, 3]], mindspore.float32) >>> output = mindspore.mint.var_mean(input, 0, correction=1) >>> print(output) (Tensor(shape=[4], dtype=Float32, value= [ 4.33333302e+00, 1.00000000e+00, 2.33333349e+00, 3.33333313e-01]), Tensor(shape=[4], dtype=Float32, value= [ 3.33333349e+00, 3.00000000e+00, 3.66666675e+00, 2.66666675e+00])) >>> output = mindspore.mint.var_mean(input, 1, correction=2, keepdim=True) >>> print(output) (Tensor(shape=[3, 1], dtype=Float32, value= [[ 2.50000000e+00], [ 2.50000000e+00], [ 2.50000000e+00]]), Tensor(shape=[3, 1], dtype=Float32, value= [[ 2.50000000e+00], [ 3.50000000e+00], [ 3.50000000e+00]]))