torch.nanmean

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

Вычисляет среднее значение всех элементов non-NaN вдоль указанных измерений. Входные данные должны иметь тип с плавающей запятой или комплексный тип.

Эта функция идентична torch.mean(), если в тензоре input нет значений NaN. При наличии значений NaN функция torch.mean() передаст NaN в результат, тогда как torch.nanmean() проигнорирует значения NaN (torch.nanmean(a) эквивалентно torch.mean(a[~a.isnan()])).

Если keepdim имеет значение True, выходной тензор имеет тот же размер, что и input, за исключением измерения (измерений) dim, размер которого равен 1. В противном случае dim сжимается (см. torch.squeeze()), в результате чего выходной тензор имеет на 1 (или len(dim)) измерение меньше.

Параметры:

• input (Tensor) – входной тензор типа с плавающей запятой или комплексного типа
• dim (int or tuple of ints, optional) – измерение или измерения, по которым выполняется редукция. Если задано None, редукция выполняется по всем измерениям.
• keepdim (bool, optional) – следует ли сохранять dim в выходном тензоре. По умолчанию: False.

Именованные аргументы:

• dtype (torch.dtype, optional) – требуемый тип данных возвращаемого тензора. Если указан, входной тензор перед выполнением операции преобразуется к типу dtype. Это полезно для предотвращения переполнения данных. По умолчанию: None.
• out (Tensor, optional) – 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)