比较与torch.var_mean的功能差异

查看源文件

torch.var_mean

torch.var_mean(input, dim, unbiased=True, keepdim=False, *, out=None)

更多内容详见torch.var_mean

mindspore.ops.var_mean

mindspore.ops.var_mean(input, axis=None, ddof=0, keepdims=False)

更多内容详见mindspore.ops.var_mean

差异对比

PyTorch:输出Tensor各维度上的方差和均值,也可以按照 dim 对指定维度求方差和均值。unbiased 如果为True,使用Bessel校正;如果是False,使用偏置估计来计算方差。keepdim 控制输出和输入的维度是否相同。

MindSpore:输出Tensor各维度上的方差和均值,也可以按照 axis 对指定维度求方差和均值。如果 ddof 是布尔值,和 unbiased 作用相同; ddof 为整数,计算中使用的除数是 N−ddof,其中N表示元素的数量。keepdim 控制输出和输入的维度是否相同。

分类

子类

PyTorch

MindSpore

差异

参数

参数 1

input

input

功能一致,参数名不同

参数 2

dim

axis

功能一致,参数名不同

参数 3

unbiased

ddof

ddof 为布尔值时,和 unbiased 功能一致

参数 4

keepdim

keepdims

功能一致,参数名不同

参数 5

out

-

MindSpore无此参数

代码示例

# PyTorch
import torch

input = torch.tensor([[[9, 7, 4, -10],
                       [-9, -2, 1, -2]]], dtype=torch.float32)
print(torch.var_mean(input, dim=2, unbiased=True, keepdim=True))
# (tensor([[[73.6667],
#          [18.0000]]]), tensor([[[ 2.5000],
#          [-3.0000]]]))

# MindSpore
import mindspore as ms

input = ms.Tensor([[[9, 7, 4, -10],
                    [-9, -2, 1, -2]]], ms.float32)
print(ms.ops.var_mean(input, axis=2, ddof=True, keepdims=True))
# (Tensor(shape=[1, 2, 1], dtype=Float32, value=
# [[[ 7.36666641e+01],
#   [ 1.79999981e+01]]]), Tensor(shape=[1, 2, 1], dtype=Float32, value=
# [[[ 2.50000000e+00],
#   [-3.00000000e+00]]]))