mindspore.nn.Moments

class mindspore.nn.Moments(axis=None, keep_dims=None)[源代码]

沿指定轴 axis 计算输入 x 的均值和方差。

参数:
  • axis (Union[int, tuple(int), None]) - 沿指定轴 axis 计算均值和方差,值为None时代表计算 x 所有值的均值和方差。默认值:None。

  • keep_dims (Union[bool, None]) - 如果为True,计算结果会保留 axis 的维度,即均值和方差的维度与输入的相同。如果为False或None,则会降低 axis 的维度。默认值:None。

输入:
  • x (Tensor) - 用于计算均值和方差的任意维度的Tensor。数据类型仅支持float16和float32。

输出:
  • mean (Tensor) - xaxis 上的均值,数据类型与输入 x 相同。

  • variance (Tensor) - xaxis 上的方差,数据类型与输入 x 相同。

异常:
  • TypeError - axis 不是int,tuple或None。

  • TypeError - keep_dims 既不是bool也不是None。

  • TypeError - x 的数据类型既不是float16也不是float32。

支持平台:

Ascend GPU CPU

样例:

>>> # case1: axis = 0, keep_dims=True
>>> x = Tensor(np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]), mindspore.float32)
>>> net = nn.Moments(axis=0, keep_dims=True)
>>> output = net(x)
>>> print(output)
(Tensor(shape=[1, 2, 2], dtype=Float32, value=
[[[ 3.00000000e+00, 4.00000000e+00],
  [ 5.00000000e+00, 6.00000000e+00]]]), Tensor(shape=[1, 2, 2], dtype=Float32, value=
[[[ 4.00000000e+00, 4.00000000e+00],
  [ 4.00000000e+00, 4.00000000e+00]]]))
>>> # case2: axis = 1, keep_dims=True
>>> net = nn.Moments(axis=1, keep_dims=True)
>>> output = net(x)
>>> print(output)
(Tensor(shape=[2, 1, 2], dtype=Float32, value=
[[[ 2.00000000e+00, 3.00000000e+00]],
 [[ 6.00000000e+00, 7.00000000e+00]]]), Tensor(shape=[2, 1, 2], dtype=Float32, value=
[[[ 1.00000000e+00, 1.00000000e+00]],
 [[ 1.00000000e+00, 1.00000000e+00]]]))
>>> # case3: axis = 2, keep_dims=None(default)
>>> net = nn.Moments(axis=2)
>>> output = net(x)
>>> print(output)
(Tensor(shape=[2, 2], dtype=Float32, value=
[[ 1.50000000e+00, 3.50000000e+00],
 [ 5.50000000e+00, 7.50000000e+00]]), Tensor(shape=[2, 2], dtype=Float32, value=
[[ 2.50000000e-01, 2.50000000e-01],
 [ 2.50000000e-01, 2.50000000e-01]]))
>>> # case4: axis = None(default), keep_dims=None(default)
>>> net = nn.Moments()
>>> output = net(x)
>>> print(output)
(Tensor(shape=[], dtype=Float32, value= 4.5), Tensor(shape=[], dtype=Float32, value= 5.25))