torch.var_mean

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

計算由 dim 指定的維度上的變異數和平均值。dim 可以是單個維度、維度列表，或者 None，以縮減所有維度。

變異數 ($\sigma^2$) 的計算公式如下：

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

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

如果 keepdim 為 True，則輸出張量的尺寸與 input 相同，除了在維度 dim 上尺寸為 1。 否則，dim 會被壓縮 (squeeze) (請參閱 torch.squeeze())，導致輸出張量減少 1 個（或 len(dim) 個）維度。

參數

• input (Tensor) – 輸入張量。

• dim (int 或 int 的tuple，可選) – 要縮減的維度。 如果 None，則會縮減所有維度。

關鍵字引數

• correction (int) –

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

  在 2.0 版本中變更：先前此引數稱為 unbiased，且為布林值，其中 True 對應於 correction=1，而 False 對應於 correction=0。

• keepdim (bool) – 輸出張量是否保留 dim。

• out (Tensor, 可選) – 輸出張量。

回傳

包含變異數和平均值的元組 (var, 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.var_mean(a, dim=0, keepdim=True)
(tensor([[1.5926, 1.0056, 1.2005, 0.3646]]),
 tensor([[ 0.0645,  0.4485,  0.8707, -0.0665]]))