torch.nanmean

torch.nanmean(input, dim=None, keepdim=False, *, dtype=None, out=None) → Tensor

Вычисляет среднее значение всех non-NaN элементов по указанным измерениям.

Эта функция идентична torch.mean(), когда в тензоре input нет NaN значений. При наличии NaN, torch.mean() будет передавать NaN в выходной результат, а torch.nanmean() проигнорирует NaN значения (torch.nanmean(a) эквивалентно torch.mean(a[~a.isnan()])).

Если keepdim равно True, тензор результата имеет те же размеры, что и input, за исключением измерения(измерений) dim, где он имеет размер 1. В противном случае dim сжимается (см. torch.squeeze()), что приводит к тому, что тензор результата имеет на 1 (или len(dim)) меньше измерение(измерения).

Параметры:

• input (Тензор) – входной тензор.
• dim (int или кортеж из целых чисел, необязательно) – измерение или измерения для уменьшения. Если None, все измерения уменьшаются.
• keepdim (bool) – сохраняется ли выходной тензор с dim измерениями или нет.

Ключевые аргументы:

• dtype (torch.dtype, необязательно) – желаемый тип данных возвращаемого тензора. Если указано, входной тензор приводится к типу dtype перед выполнением операции. Это полезно для предотвращения переполнений типов данных. По умолчанию: None.
• out (Тензор, необязательно) – выходной тензор.

См. также

torch.mean() вычисляет среднее значение, передавая NaN.

Пример:

>>> x = torch.tensor([[torch.nan, 1, 2], [1, 2, 3]])
>>> x.mean()
tensor(nan)
>>> x.nanmean()
tensor(1.8000)
>>> x.mean(dim=0)
tensor([   nan, 1.5000, 2.5000])
>>> x.nanmean(dim=0)
tensor([1.0000, 1.5000, 2.5000])

# If all elements in the reduced dimensions are NaN then the result is NaN
>>> torch.tensor([torch.nan]).nanmean()
tensor(nan)