mindspore.ops.ReduceMean

class mindspore.ops.ReduceMean(keep_dims=False)

默认情况下，使用指定维度的平均值代替该维度的其他元素，以移除该维度。也可仅缩小该维度大小至1。

通过指定 keep_dims 参数，来控制输出和输入的维度是否相同。

说明

Tensor类型的 axis 仅用作兼容旧版本，不推荐使用。

参数：

• keep_dims (bool) - 如果为 True ，则保留缩小的维度，大小为1。否则移除维度。默认值： False 。

输入：

• x (Tensor[Number]) - 输入Tensor。

• axis (Union[int, tuple(int), list(int), Tensor]) - 要进行规约计算的维度。默认值： () ，在所有维度上进行规约。只允许常量值。假设 x 的秩为r，取值范围[-r,r)。

输出：

与输入 x 具有相同数据类型的Tensor。

• 如果 axis 为 () ，且 keep_dims 为 False ，则输出一个零维Tensor，表示输入Tensor中所有元素的平均值。

• 如果 axis 为int，取值为1，并且 keep_dims 为 False ，则输出的shape为 \((x_0, x_2, ..., x_R)\) 。

• 如果 axis 为tuple(int)或list(int)，取值为(1, 2)，并且 keep_dims 为 False ，则输出Tensor的shape为 \((x_0, x_3, ..., x_R)\) 。

• 如果 axis 为一维Tensor，取值为[1, 2]，并且 keep_dims 为 False ，则输出Tensor的shape为 \((x_0, x_3, ..., x_R)\) 。

异常：

• TypeError - keep_dims 不是bool类型。

• TypeError - x 不是Tensor。

• TypeError - axis 不是以下数据类型之一：int、Tuple、List或Tensor。

• ValueError - axis 超出范围。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x = Tensor(np.random.randn(3, 4, 5, 6).astype(np.float32))
>>> op = ops.ReduceMean(keep_dims=True)
>>> output = op(x, 1)
>>> result = output.shape
>>> print(result)
(3, 1, 5, 6)
>>> # case 1: Reduces a dimension by averaging all elements in the dimension.
>>> x = Tensor(np.array([[[2, 2, 2, 2, 2, 2], [2, 2, 2, 2, 2, 2], [2, 2, 2, 2, 2, 2]],
... [[4, 4, 4, 4, 4, 4], [5, 5, 5, 5, 5, 5], [6, 6, 6, 6, 6, 6]],
... [[6, 6, 6, 6, 6, 6], [8, 8, 8, 8, 8, 8], [10, 10, 10, 10, 10, 10]]]),
... mindspore.float32)
>>> output = op(x)
>>> print(output)
[[[5.]]]
>>> print(output.shape)
(1, 1, 1)
>>> # case 2: Reduces a dimension along the axis 0
>>> output = op(x, 0)
>>> print(output)
[[[4. 4. 4. 4. 4. 4.]
[5. 5. 5. 5. 5. 5.]
[6. 6. 6. 6. 6. 6.]]]
>>> # case 3: Reduces a dimension along the axis 1
>>> output = op(x, 1)
>>> print(output)
[[[2. 2. 2. 2. 2. 2.]]
[[5. 5. 5. 5. 5. 5.]]
[[8. 8. 8. 8. 8. 8.]]]
>>> # case 4: Reduces a dimension along the axis 2
>>> output = op(x, 2)
>>> print(output)
[[[ 2.]
[ 2.]
[ 2.]]
[[ 4.]
[ 5.]
[ 6.]]
[[ 6.]
[ 8.]
[10.]]]