torch.std_mean

torch.std_mean(input, dim=None, *, correction=1, keepdim=False, out=None)

计算由dim指定的维度上的标准差和均值。其中dim可以是单个维度、维度列表，或者None（表示在所有维度上进行操作）。

标准差（$\sigma$）是这样计算的：

$\sigma = \sqrt{\frac{1}{\max(0,~N - \delta N)}\sum_{i=0}^{N-1}(x_i-\bar{x})^2}$

其中$x$表示元素的样本集，$\bar{x}$表示样本均值，$N$表示样本数量，而$\delta N$则是校正。

如果 keepdim 是 True，则输出张量与输入张量大小相同，除了在 dim 指定的维度上其大小为 1。否则，dim 维度会被挤压（参见 torch.squeeze()），导致输出张量比输入少 1 （或 len(dim)）个维度。

参数

• input (Tensor) – 需要输入的张量。

• dim (int 或 元组 of ints, 可选) – 要减少的维度。如果为 None，则所有维度都会被减少。

关键字参数

• 修正 (int) -

  样本大小与样本自由度的差异。默认采用贝塞尔校正，即correction=1。

  从版本 2.0 开始:此前此参数名为 unbiased，是一个布尔值。其中 True 对应于 correction=1，而 False 则对应于 correction=0。

• keepdim (bool) – 是否在输出张量中保留dim维度。

• out (Tensor, 可选) – 指定输出张量。

返回值

一个包含标准差和平均值的元组（std, mean）。

示例

>>> a = torch.tensor(
...     [[ 0.2035,  1.2959,  1.8101, -0.4644],
...      [ 1.5027, -0.3270,  0.5905,  0.6538],
...      [-1.5745,  1.3330, -0.5596, -0.6548],
...      [ 0.1264, -0.5080,  1.6420,  0.1992]])
>>> torch.std_mean(a, dim=0, keepdim=True)
(tensor([[1.2620, 1.0028, 1.0957, 0.6038]]),
 tensor([[ 0.0645,  0.4485,  0.8707, -0.0665]]))