torch.std_mean

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

計算由 dim 指定維度的標準差和平均值。dim 可以是單一維度、維度列表，或 None 以減少所有維度。

標準差 ($\sigma$) 的計算方式如下：

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

其中 $x$ 是元素的樣本集合，$\bar{x}$ 是樣本平均值，$N$ 是樣本數量，而 $\delta N$ 是 correction (校正)。

如果 keepdim 為 True，則輸出張量的大小與 input 相同，除了在維度 dim 中的大小為 1。否則，dim 會被擠壓 (squeeze) (請參閱 torch.squeeze())，導致輸出張量的維度少 1 (或 len(dim)) 個。

參數

• input (Tensor) – 輸入張量。

• dim ( int 或 tuple of ints, 選用) – 要縮減的維度。如果 None，則縮減所有維度。

關鍵字參數 (Keyword Arguments)

• correction ( int ) –

  樣本大小和樣本自由度之間的差異。預設為 貝索校正 (Bessel’s correction)，correction=1。

  版本 2.0 更新: 先前此參數稱為 unbiased，且為布林值，其中 True 對應於 correction=1，而 False 則為 correction=0。

• keepdim ( bool ) – 輸出張量是否保留 dim。

• out ( Tensor, 選用) – 輸出張量。

返回值

一個包含標準差和平均值的元組 (std, mean)。

範例

>>> 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]]))